数据挖掘实训 Week 8

理论学习

赛题背景

• 非法集资包括非法吸收公众存款和集资诈骗
• 非法集资对于社会和群众都带来了极大的危害
• 通过互联网金融平台进行的非法集资活动影响面更广危害更大
• 涉及投资理财、P2P网贷、房地产、教育、私募股权等多种形态
• 监控和识别非法集资的行为，主要依靠人工收集相关信息实现
• 依赖历史经验对大量的财务报表进行数字逻辑分析以及统计分析，准确率和效率均较低
• 利用机器学习、深度学习等方法训练出一个预测模型，通过学习企业的相关信息来预测企业是否存在非法集资风险

数据内容

• 企业基本数据：约2500家企业数据，包括企业经营方式、行业、地址、注册资本等基本信息
• 企业年报信息：企业的年报数据，包括从业人数、经营状况、人员分布等
• 企业税收信息：企业的税收数据，包括税收时间、税种、税率、税额等
• 企业变更信息：企业的变更数据，包括变更时间、变更具体内容
• 企业其他相关信息：企业知识产权、企业新闻舆情和企业裁判文书数据

数据集情况

• 企业基本数据包含了所有企业的大部分信息，因此可作为模型训练所需的主要特征
• 其他数据仅包含部分企业信息，可通过处理挖掘出相关特征，提升预测正确率
• 部分企业存在数据缺失情况，可依据数据相关业务进行填充。

样本分布情况

• 由于是脱敏后的真实数据，存在非法集资的企业数量较少，因此正负样本比例不均衡
• 样本主要特征集中在企业基本数据中，其他数据仅含样本较少特征

数据类型情况

• 数据集中存在多种数据类型，包括数值型、字符型、日期型等。
• 由于地址信息、变更内容等涉及隐私，因此对相关内容进行了脱敏处理

实践

只用企业基本数据训练，得到0.804左右的成绩。