智能风控近期书单

摘要: 2022年1月份左右智能风控书单

【对数据分析、人工智能、金融科技、风控服务感兴趣的同学，欢迎关注我哈，阅读更多原创文章】
我的网站：潮汐朝夕的生活实验室
我的公众号：潮汐朝夕
我的知乎：潮汐朝夕
我的github：FennelDumplings
我的leetcode：FennelDumplings

---

1. 智能风控与反欺诈：体系、算法与实践

• 作者: 蔡主希
• 时间: 2021

互联网金融与风险管理

• 互联网金融的发展和现状
• 风险管理类型划分
  • 欺诈风险
  • 信用风险
• 风险管理的重要性
  • 风险评估
  • 差异化定价
  • 整体利润最优

传统风险管理体系

• 人工审核
  • 纸质材料评估
  • 电话回访
  • 线下走访尽调
• 专家模型
  • 业务规则库
  • 专家调查权重法
  • 熵权法
• 评分卡模型
  • 目标定义
  • 样本选取
  • 变量分箱
  • 变量筛选
  • 模型建立
  • 模型评估
  • 模型应用
• 传统方法的问题和挑战

智能风控模型体系

• 大数据平台
  • 原始数据清洗
  • 数据仓库管理
  • 数据标签应用
• 决策引擎
  • 规则配置
  • 模型部署
  • 冠军挑战者
  • 版本和权限管理
• 智能反欺诈模型
  • 无监督学习
  • 图计算
• 智能信用风险模型
  • 专家模型
  • 逻辑回归
  • 决策树
  • 集成树
  • 深度神经网络
  • 循环神经网络
• 智能模型带来的提升
  • 数据广度和深度
  • 模型快速迭代和主动学习
  • 线上自动决策
• 统计学与机器学习

风控大数据体系

• 数据源类型
  • 征信报告
  • 消费能力
  • 资产状况
  • 基本信息
  • 黑名单
  • 多头借贷
  • 运营商
  • 地理位置
  • 设备属性
  • 操作行为
• 特征工程方法
  • 统计量
  • 离散化
  • 时间周期趋势
  • 交叉项
  • 隐性特征
  • 用户画像
• 数据测试与应用
  • 联合建模机制
  • 数据质量评估
  • 线上应用
• 数据安全合规

智能风控中的常用算法

• 有监督学习
  • 逻辑回归
  • 决策树
  • 随机森林
  • 度提升决策树
• 无监督学习
  • 类
  • 立森林
• 深度学习
  • 深度神经网络
  • 循环神经网络
  • 词嵌入
  • 编码器
  • 移学习
• 图计算
  • 社区发现
  • 标签传播
  • 图嵌入
• 强化学习

智能模型训练流程

• 数据清洗
  • 缺失值处理
  • 异常值处理
  • 重复值处理
  • 致性检验
  • 效性检验
• 特征工程和特征筛选
  • 探索性数据分析
  • 稳定性
  • 重要性
  • 关性
  • 释性
• 模型训练
• 模型部署
• 监控预警

反欺诈案例

• 案例背景
• 原始数据介绍
• 探索性数据分析
  • 交易笔数
  • 交易时间
  • 交易类型
  • 易IP地址
• 特征工程
  • 特征加工
  • 特征筛选
  • 特征分组
• 模型训练
• 模型评估
• 案例优化

个人信贷风控案例

• 案例背景
• 原始数据介绍
• 特征工程
• 探索性数据分析
• 模型训练
  • 逻辑回归
  • XGBoost
  • Wide&Deep
• 模型评估
• 模型应用
• 案例优化

企业信贷风控案例

• 银行POS贷
  • 案例背景
  • 原始数据介绍
  • 特征工程
  • 型训练
  • 型应用
• 汽车金融CP评级
  • 案例背景
  • 原始数据&特征工程
  • 模型训练
  • 型评估
• 案例优化

智能风控能力对外输出

• 对外输出的意义
  • 内部能力“走出去”
  • 外部资源“引进来”
• 头部玩家介绍
  • 互联网公司
  • 银行科技子公司
  • 第三方技术提供商
• 合作模式及案例
  • SaaS 本地化模式
  • 对外输出案例
• 金融科技创新与监管

---

2. 智能风控平台：架构、设计与实现

• 作者: 郑江
• 时间: 2021

智能风控基础

• 认识智能风控
  • 什么是风控
    • 风控的定义和作用
    • 什么是大数据风控
    • 什么是智能风控
  • 风控的目标
    • 控风险
    • 稳增长
    • 保平衡
  • 风险的管理
    • 三道防线
    • 七大系统
    • 五大体系
    • 八大风险
• 智能风控进化史
  • 智能风控1.0
  • 智能风控2.0
  • 智能风控3.0
• 风控与业务场景的契合
  • 业务催生风险
    • 风险滋生
    • 风险爆发
    • 风险阻塞
    • 风险迭代
  • 业务场景下的风控
    • 电商风控
    • 支付风控
    • 信贷风控
    • 保险风控

智能风控平台

• 智能风控业务
  • 智能信贷业务背景
    • 传统金融和互联网的碰撞
    • 智能信贷业务应用
  • 智能信贷风控业务背景
    • 信贷风控和金融科技的碰撞
    • 智能信贷风控业务应用
• 智能风控平台架构
  • 智能风控业务架构
    • 信贷业务组织结构
    • 传统信贷风控业务架构
    • 智能风控业务架构组成
  • 智能风控系统功能架构
    • 智能风控系统功能架构组成
    • 数据平台
    • 接口管理系统
    • 分析引擎系统
    • 数据挖掘系统
    • 关系网络系统
    • 决策引擎系统
    • 指标管理系统
    • 风控服务管理系统
    • 贷中监控系统
    • 贷后管理系统
    • 贷后催收系统
    • 智能语音机器人
    • 风险管理系统
    • 风险报表系统
    • 平台管理系统
  • 智能风控系统技术架构
    • 访问层
    • 展现层
    • 系统层
    • 大数据平台
  • 智能风控平台业务、功能、技术架构的区别

智能风控平台设计

• 智能风控平台核心系统
  • 决策引擎系统
    • 决策引擎系统的定义
    • 规则
    • 模型
    • 评分卡
    • 表达式
    • 模型监控
    • 决策流管理
    • 风控报告
    • 风险审核
    • 通用功能
  • 指标管理系统
    • 指标管理系统的定义
    • 指标列表
    • 指标配置
  • 接口管理系统
    • 口管理系统的定义
    • IP管理
    • API管理
    • 码值管理
    • 自动测试
    • 文档管理
    • 流量管理
    • 监控预警
  • 风险管理系统
    • 风险管理系统的定义
    • 名单管理
    • 标签管理
    • 自动检测
    • 风险画像
  • 核心系统运作方式
• 智能风控平台次核心系统
  • 贷中监控系统
    • 贷中监控系统的定义
    • 自动监控
    • 风险预警
    • 监控统计
  • 贷后管理系统
    • 贷后管理系统的定义
    • 贷后风险管理
    • 资产风险管理
    • 贷后流程管理
    • 贷后任务管理
  • 平台管理系统
    • 平台管理系统的定义
    • 角色管理
    • 权限管理
    • 机构管理
    • 用户管理
    • 日志管理

---

3. 智能风控：评分卡建模原理、方法与风控策略构建

• 时间: 2021
• 作者: 张伟

评分卡建模理论基础

• 评分卡建模常见面试问
• 关于模型的系统性理解
• 与建模密切相关的4个领域
  • 机器学习
  • 数据挖掘
  • 数据分析
  • 统计分析
  • 四者之间的联系与区别
• 评分模型与评分卡模型
  • 评分模型和评分卡模型的定义
  • 评分卡模型的分类
  • 评分卡模型的适用性
  • 评分卡模型的价值
  • 评分卡模型的应用
• 评分卡建模全流程
• 对评分卡模型的评价

零售信贷业务基础和风险管理

• 银行零售信贷产品的产品特征和业务流程
  • 个人贷款
  • 信用卡
• 信用与信用风险
  • 信用风险识别
  • 信用风险评估
  • 信用风险监测
  • 信用风险控制
  • 征信
• 欺诈与欺诈风险
  • 欺诈风险的分类
  • 欺诈风险的防范
  • 欺诈风险与信用风险比较

业务需求理解

• 业务需求理解概述
• 明确拟解决问题和分析目标
• 业务访谈的设计和实施
• 整体分析方案设计

数据基础决定模型效果上限

• 关于数据的系统性认识
  • 数据基本特征
  • 常见数据问题
• 传统信贷业务数据
  • 贷款可用数据
  • 信用卡可用数据
• 征信数据
  • 征信数据概述
  • 一代人行征信
  • 二代人行征信
  • 一、二代人行征信的差异及映射转换
  • 人行征信数据的使用
• 内外部大数据
  • 大数据概述
  • 银行内部大数据
  • 银行外部大数据
• 数据质量诊断
  • 数据质量诊断目的
  • 数据质量诊断方法
• 业务数据分析
  • 业务数据分析目的
  • 业务数据分析方法

利用特征工程提取有效的风险特征

• 特征工程概述
  • 特征与特征工程
  • 数据处理与特征工程流程
  • 特征工程的理论体系
  • 特征工程的抽象范式
• 特征预处理与转换
  • 常见数据质量问题
  • 特征清洗与预处理
  • 特征编码
  • 特征转换
• 特征提取与生成
  • 业务专家经验定义
  • 工程化自动化衍生
  • 表征学习
• 特征评价、选择与降维
  • 特征评价
  • 特征选择与降维
• 自动化特征工程技术与工具
  • 自动化特征工程概述
  • 自动化特征工程工具

评分卡模型设计

• 模型设计概述
  • 模型设计的定义
  • 模型设计的工作内容
• 排除规则与样本范围
  • 排除规则和样本范围的定义
  • 申请评分卡模型排除规则
  • 行为评分卡模型排除规则
  • 催收评分卡模型排除规则
• 模型细分
• 表现期定义与Vintage分析
  • 表现期定义
  • Vintage分析
• 滚动率
  • 滚动率定义
  • 滚动率分析
  • 滚动率计算常见问题
• 观察期的定义与选择
  • 观察期的定义
  • 观察期的选择
• 模型设计汇总计数
  • 汇总计数定义
  • 汇总计数的特别说明
• 建模方式和模型原型选择

评分卡模型开发

• 模型开发概述
• 样本分区
• 样本抽样
• 变量预筛选
• 变量分箱
• 变量再筛选
• 变量转换WOE
• 使用逻辑回归进行模型拟合
  • 多重共线性检验
  • 逻辑回归建模
  • 模型训练结果
• 模型验证
  • 排序性
  • 区分能力
  • 稳定性
  • 分值集中度
  • 分值分布
  • 离散度
• 评分标尺
• 模型导出PMML并测试
• 评分卡建模专用Python包
  • scorecardpy工具包
  • toad工具包
  • RiskModeler工具包
• 评分卡建模实例
  • 使用scorecardpy进行评分卡建模
  • 使用toad进行评分卡建模
• 评分卡建模常见问题

评分卡模型验证

• 模型验证概述
  • 模型性能的影响因素
  • 模型质量的评价
  • 模型验证的目的
• 模型性能的技术性评价指标
  • 分类模型
  • 回归模型
• 模型验证方法
• 模型全面独立验证体系
  • 模型全面独立验证与开发期验证
  • 模型全面独立验证的内容和范围
  • 模型全面独立验证的阶段划分

评分卡模型部署

• 模型部署概述
• 模型部署工作流程
• 规则化部署方案
  • 在信贷业务系统流程中硬编码
  • 在独立通用决策引擎系统中部署
• 标准化部署方案
  • 模型描述标准
  • 导出模型文件
  • 模型文件的解释执行
• 模型部署常见问题

评分卡模型监控

• 模型监控概述
• 前端监控
  • 总体评分分布
  • 总体评分分布稳定性
  • 总体平均分及偏移
  • 总体分值集中度
  • 变量取值分布
  • 变量取值分布稳定性
  • 变量加权平均分和偏移
• 后端监控
  • 总体评分风险表现
  • 总体评分区分能力指标
  • 总体评分排序性
  • 变量风险表现
  • 变量区分能力指标
• 监控数据和特征
• 监控服务运行

评分卡模型优化

• 模型优化概述
• 模型优化的触发条件
• 模型性能下降原因
• 判断是否需要优化
• 确定模型优化方案
• 优化调整对现有决策的影响
• 对基于评分的决策进行调整

评分卡模型的拒绝推断

• 什么是拒绝推断
  • 拒绝推断的过程
  • 拒绝推断的合理假设
  • 拒绝推断的本质
• 为什么要做拒绝推断
• 如何做拒绝推断
  • Fuzzy扩展法
  • 简单扩展法
  • 分段扩展法
  • 拒绝推断的其他方法
• 拒绝推断应注意的问题

评分卡模型的可解释性

• 模型可解释性
  • 什么是模型可解释性
  • 为什么模型需要可解释性
  • 模型可解释性分类
  • 模型可解释性算法
• 评分卡模型可解释性
  • 全局可解释性
  • 局部可解释性
  • 业务特殊考虑
  • 基于PMML Scorecard的可解释性

评分卡模型的其他常见问题

• 分值分布不均衡问题
• 特定群体或局部分数段区分能力弱问题
• 训练-测试-时间外评分分布差异
• 训练-测试-时间外评分性能差异
• 模型迭代漂移现象
• 潜在建模作弊问题

从传统评分卡模型到高维机器学习模型

• 传统评分卡模型和高维机器学习模型的结合
  • 技术和业务发展背景
  • 摒弃两种极端观点
  • 传统评分卡模型与高维机器学习模型的比较
  • 两种工具结合使用
• 高维机器学习模型XGBoost
  • XGBoost算法原理
  • XGBoost包简介
  • 使用XGBoost包建立预测模型
• 高维机器学习模型LightGBM
  • LightGBM算法原理
  • LightGBM包简介
  • 使用LightGBM包建立预测模型

基于评分的风控策略应用

• 模型、规则、策略、政策
• 基于评分的贷前自动化审批策略
  • 贷前审批环节需要解决的问题
  • 线上信贷业务流程和风控流程
  • 基于评分构建贷前审批策略
  • 贷前审批策略经济效益测算
• 智能风控领域的更多策略

---

4. 智能风控：Python金融风险管理与评分卡建模

• 作者: 梅子行
• 时间: 2020

信用管理基础

• 信用与管理
• 风控术语解读
  • 信贷基础指标
  • 信贷风险指标
• 企业信贷风控架构

评分卡

• 评分卡概念
  • 适用客群
  • 用途
• 建模流程
• 模型设计
  • 业务问题转化
  • 账龄分析与时间窗口设计
  • 数据集切分
  • 样本选择
  • 采样与加权
• 数据与变量解读

机器学习

• 基本概念
  • 空间表征
  • 模型学习
  • 模型评价
• 广义线性模型
  • 多元线性回归模型
  • 经验风险与结构风险
  • 极大似然估计
• 逻辑回归
  • sigmoid函数
  • 最大似然估计
  • 多项逻辑回归学习
  • 标准化
• 性能度量
  • 误差
  • 混淆矩阵与衍生指标
  • 不均衡模型评价
  • 业务评价
• 上线部署与监控
  • 上线部署
  • 前端监控
  • 后端监控
• 迭代与重构
  • 模型迭代
  • 模型重构
• 辅助模型
  • XGBoost
  • 模型解释性
  • 因子分解机
• 模型合并

用户分群

• 辛普森悖论
• 监督分群
  • 决策树原理
  • 决策树分群
  • 生成拒绝规则
• 无监督分群
  • GMM原理
  • GMM分群
• 用户画像与聚类分析
  • 数据分布可视化
  • K均值聚类
  • 均值漂移聚类
  • 层次聚类
  • t-SNE聚类
  • DBSCAN聚类
  • 方差分析

数据探索与特征工程

• 探索性数据分析
  • 连续型变量
  • 离散型变量
  • 代码实现
• 特征生成
  • 特征聚合
  • 特征组合
• 特征变换
  • 卡方分箱
  • 聚类分箱
  • 分箱对比
  • 箱的调整
  • 两种特殊的调整方法
  • WOE映射

特征筛选与建模

• 初步筛选
  • 缺失率
  • 信息量
  • 相关性
  • 代码实现
• 逐步回归
  • F检验
  • 常见逐步回归策略
  • 检验标准
  • 代码实现
• 稳定性
• 负样本分布图
• 评分卡案例

拒绝推断

• 偏差产生的原因
• 数据验证
• 标签分裂
• 数据推断
  • 硬截断法
  • 模糊展开法
  • 重新加权法
  • 外推法
  • 迭代再分类法

模型校准与决策

• 模型校准的意义
• 校准方法
  • 通用校准
  • 多模型校准
  • 错误分配
  • 权重还原
• 决策与应用
  • 最优评分切分
  • 交换集分析
  • 人工干预

模型文档

• 模型背景
• 模型设计
  • 模型样本
  • 坏客户定义
• 数据准备
  • 数据提取
  • 历史趋势聚合
  • 缺失值与极值处理
  • WOE处理
• 变量筛选
  • 根据IV值进行初筛
  • 逐步回归分析
  • 模型调优
• 最终模型
  • 模型变量
  • 模型表现
  • 模型分制转换
• 表现追踪

---

5. 智能风控：原理、算法与工程实践

• 作者: 梅子行
• 时间: 2020

风控建模与规则挖掘

• 信贷与风险
  • 信贷业务与互联网金融风控体系
  • 信贷风险与控制
• 工业建模流程
  • 抽象业务
  • 定义标签
  • 样本选取
  • 特征工程与模型调优
  • 上线监控与评估报表
• 规则挖掘方案

集成模型评分卡

• 特征工程解析
  • 特征与模型
  • 信用模型的特征
• 特征衍生方案
• 离散处理
  • one-hot编码
  • WOE编码
• 迭代特征筛选方案
• 自动化调参
  • 自动化调参策略
  • 参数搜索方案
  • 调参框架搭建
• 递归特征删除方案
• 评分卡制作
  • 逻辑回归评分卡
  • 集成模型的评分映射
  • 针对业务改写评价函数

迁移学习与冷启动

• 迁移学习基础
  • 应用场景
  • 概念介绍
• 迁移学习方法论
  • 三类常见算法
  • 迁移的实现方法
• 少量有标签样本的迁移方案
  • TrAdaBoost模型
  • 跨场景迁移模型
• 无标签样本迁移之JDA
  • JDA模型
  • 模型应用
• 无标签样本迁移之DTELM
  • ELM模型
  • DTELM模型
  • 模型应用
• 迁移样本筛选方案
  • 背景介绍
  • 算法框架概览
  • 搭建融合框架

幸存者偏差

• 幸存者偏差的含义
• 增量学习
• 生成对抗网络
  • GAN模型介绍
  • GAN与幸存者偏差
• 高斯混合模型
  • GMM算法原理
  • GMM简单应用
  • GMM中的概率模型
  • GMM样本生成
• 信息准则
  • 赤池信息准则
  • 贝叶斯信息准则
  • AIC与BIC比较

不均衡学习

• 样本不均衡
• 代价敏感加权方案
• 插值过采样方案
  • SMOTE算法
  • 过采样算法实践
• 半监督学习方案
  • 前提假设
  • S3VM
  • LP

异常检测

• 离群点与欺诈检测
• z-score检验
• LOF异常检测法
  • 原理与算法流程
  • LOF样本清洗方案
• IF异常检测法
  • 原理与算法流程
  • PreA模型与冷启动

模型优化

• 多损失函数分段预测
  • 两种损失函数
  • 融合流程
• 树模型特征衍生
  • GBDT离散化
  • 融合方案详解
  • 特征衍生细节
  • 案例
• 时间序列建模
  • RNN
  • LSTM
  • 门控结构
  • LSTM行为评分卡案例
• 高维稀疏数据建模
  • 算法原理
  • 算法应用
• 模型融合
  • 模型融合基础
  • 模型筛选
  • 业务应用方案

知识图谱

• 复杂网络基础
• 中心度与相似性
• 节点分类
  • 朴素节点分类
  • 邻节点加权投票
  • 一致性标签传播
• 社区发现算法
  • 基础概念
  • Girvan-Newman算法
  • Louvain算法
  • 社区评估
• 网络表示学习
  • 矩阵分解
  • 节点嵌入
• 图卷积神经网络
  • 卷积神经网络
  • 傅里叶变换
  • 拉普拉斯算子
  • GCN中的图卷积

---

6. Python金融大数据风控建模实战：基于机器学习

• 作者: 王青天
• 时间: 2020

智能风控背景

• 金融科技介绍
  • 金融科技的前世今生
  • 金融科技正深刻地改变和塑造着金融业态
  • 新兴科技不断强化金融科技的应用能力
  • 金融风险控制面临着 的挑战
  • 智能风控和评分卡
  • 评分卡模型的开发流程
• 机器学习介绍
  • 机器学习的概念
  • 机器学习的分类
    • 有监督学习
    • 无监督学习
    • 强化学习
  • 机器学习与人工智能的关系
  • 机器学习与数学的关系
  • 机器学习与深度学习
• 评分卡模型介绍
  • 申请评分卡
    • 数据获取
    • 好坏样本定义
    • 观察期与表现期确定
    • 样本分层
    • 数据清洗与预处理
    • 特征工程
    • 模型训练与优化
  • 行为评分卡
    • 数据获取
    • 时间窗口
    • 特征工程
  • 催收评分卡
    • 催收评分卡分类
    • 催收策略
  • 反欺诈模型
    • 欺诈风险与信用风险比较
    • 欺诈模型好坏样本定义
    • 欺诈主体分析
    • 反欺诈方法介绍

评分卡理论与实战

• 数据清洗与预处理
  • 数据集成
  • 数据清洗
  • 探索性数据分析
  • Python代码实践
    • 数据集成
    • 数据清洗
    • 探索性数据分析
• 变量编码方法
  • 无监督编码
    • One-hot编码
    • Dummy variable编码
    • Label编码
  • 有监督编码
    • WOE编码
    • WOE编码与One-hot编码比较
  • Python代码实践
    • One-hot编码
    • Dummy variable编码
    • Label编码
    • WOE编码
• 变量分箱方法
  • 变量分箱流程
  • 优Chi-merge卡方分箱方法
  • Best-KS分箱方法
  • 优IV分箱方法
  • 基于树的 优分箱方法
  • Python代码实践
    • 优Chi-merge分箱
    • 优IV分箱
    • 基于树的分箱
• 变量选择
  • 过滤法变量选择
  • 包装法变量选择
  • 嵌入法变量选择
  • Python代码实践
    • 过滤法变量选择
    • 包装法变量选择
    • 嵌入法变量选择
• Logistic回归模型
  • Logistic回归模型原理
  • 过拟合与欠拟合
  • Python代码实践
• 模型的评估指标
  • 正负样本的选择
  • 标准评估指标
  • 概率密度评估指标
  • 概率分布评估指标
  • Python代码实践
• 分卡分数转化
  • 由概率到分数的转换
  • 变量的分值计算
  • 评分卡性能评估
  • Python代码实践
• 模型在线监控
  • 稳定性监控
  • 单调性监控
  • 性能监控指标
  • Python代码实践

评分卡理论与实

• 样本不均衡处理
  • 数据层下采样样本不均衡的处理方法
    • 随机下采样方法
    • 样本邻域选择的下采样方法
    • 样本邻域清理的下采样方法
    • Bagging集成的下采样方法
    • Boosting集成的下采样方法
  • 数据层上采样样本不均衡的处理方法
    • 随机上采样方法
    • SMOTE样本生成方法
    • Borderline-SMOTE样本生成方法
  • 算法层样本不均衡的处理方法
  • 模型评估层样本不均衡的处理方法
  • Python代码实践
    • 数据层下采样样本不均衡处理代码实现
    • 数据层上采样样本不均衡处理代码实现
• 特征工程进阶
  • 数据层特征工程
  • 算法层特征工程
    • 基于树模型的特征生成
    • FM特征交叉
  • Python代码实践
    • 数据层特征工程代码实现
    • 算法层特征工程代码实现
• 决策树模型
  • 决策树模型的原理
  • 决策树学习
  • 决策树与过拟合
  • Python代码实践
• 神经网络模型
  • 神经元模型
  • 神经网络的网络结构
  • 神经网络的学习策略
  • Python代码实践
• 支持向量机模型
  • 感知器模型
    • 感知器模型的原理
    • 感知器与支持向量机模型
  • 线性可分支持向量机
  • 线性支持向量机
  • 非线性支持向量机
  • 感知器相关模型比较
  • Python代码实践
    • 线性支持向量机模型代码实现
    • 非线性支持向量机模型代码实现
• 集成学习
  • Bagging与Boosting对比
  • Random Forest模型原理
  • Adaboost模型原理
  • GBDT模型原理
  • Xgboost模型原理
  • Python代码实践
    • Random Forest模型
    • Adaboost模型
    • GBDT模型
    • Xgboost模型
• 模型融合
  • Blending方法原理
  • Stacking方法原理
  • Python代码实践
    • Blending模型融合代码实现
    • Stacking模型融合代码实现

Lending Club数据

• 完整的模型开发实现
  • 数据源介绍
  • 数据的获取与预处理
    • 数据准备
    • 好坏样本定义
    • 数据清洗与预处理
  • 特征工程
    • 简单的特征工程
    • 变量分箱与编码
    • 变量选择
  • 模型构建与评估
    • 模型构建与优化
    • 模型评估
  • 评分卡生成

---