风控模型-风险预警模型

最新推荐文章于 2023-08-29 20:54:32 发布
最新推荐文章于 2023-08-29 20:54:32 发布
阅读量2.5k 收藏 20
点赞数 2
文章标签： python 机器学习 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Sarah_07/article/details/127524075
版权

风控模型-风险预警模型

最近一个朋友在面试一家银行的算法岗，第一轮是take home test，也就是公司发了个测试题，要求候选人回家做完，面试讲解。看来今年市场行情的确不太好，很少高级算法岗会有这么一轮面试。笔者看了下数据，还蛮有意思，正好顺一下建模的pipeline，讲解下WOE和LR的结合应用。

WOE 的应用价值

  • 处理缺失值：利用分箱讲null单独处理，可以讲有效覆盖率只有30%的数据利用起来
  • 处理异常值：利用分箱讲异常值单独处理，增加变量的鲁棒性。例如，年龄由于用户手动填写的，可能存在200这种异常值，可以将这种情况划入age>60的分箱。
  • 业务解释性：业务习惯于线性判断变量的作用，当x越来越大，y就越来越大。但实际x与y之间经常存在着非线性关系，可经过WOE进行变换

建模pipeline

建模的pipeline:

加载数据->EDA->Feature Generation->Model Establishment-> Release online

EDA

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import json
from scipy.stats import chi2_contingency
pd.set_option('display.max_columns', None)
sns.set_theme(style="darkgrid")
sns.set(rc = {'figure.figsize':(20,15)})

dataset.head()
accountNumbercustomerIdcreditLimitavailableMoneytransactionDateTimetransactionAmountmerchantNameacqCountrymerchantCountryCodeposEntryModeposConditionCodemerchantCategoryCodecurrentExpDateaccountOpenDatedateOfLastAddressChangecardCVVenteredCVVcardLast4DigitstransactionTypeechoBuffercurrentBalancemerchantCitymerchantStatemerchantZipcardPresentposOnPremisesrecurringAuthIndexpirationDateKeyInMatchisFraudtransactionDatetransactionHourtransactionMonth
07372650567372650565000.05000.02016-08-13 14:27:3298.55UberUSUS0201rideshare06/20232015-03-142015-03-144144141803PURCHASENaN0.0NaNNaNNaNFalseNaNNaNFalseFalse2016-08-13148
17372650567372650565000.05000.02016-10-11 05:05:5474.51AMC #191138USUS0901entertainment02/20242015-03-142015-03-14486486767PURCHASENaN0.0NaNNaNNaNTrueNaNNaNFalseFalse2016-10-11510
27372650567372650565000.05000.02016-11-08 09:18:397.47Play StoreUSUS0901mobileapps08/20252015-03-142015-03-14486486767PURCHASENaN0.0NaNNaNNaNFalseNaNNaNFalseFalse2016-11-08911
37372650567372650565000.05000.02016-12-10 02:14:507.47Play StoreUSUS0901mobileapps08/20252015-03-142015-03-14486486767PURCHASENaN0.0NaNNaNNaNFalseNaNNaNFalseFalse2016-12-10212
48303290918303290915000.05000.02016-03-24 21:04:4671.18Tim Hortons #947751USUS0201fastfood10/20292015-08-062015-08-068858853143PURCHASENaN0.0NaNNaNNaNTrueNaNNaNFalseFalse2016-03-24213
fraud = dataset['isFraud'].value_counts().to_frame()
fraud['pct'] = fraud['isFraud']/fraud['isFraud'].sum()
display(fraud)
isFraudpct
False7739460.98421
True124170.01579

这是个极度不平衡的数据集,对于unbalanced的数据集，两个思路，一个是upsampling，一个是downsampling.这个放在其他文章里讲吧，本篇就不涉及了

信用卡刷卡，有时候会因为网络等原因存在多次扣款的情况，数据集里就会存在多条重复记录，需要将这些重复记录删除

dataset = dataset[~(dataset['transactionType'].isin(['REVERSAL']))]
mult_swipe = dataset[dataset.duplicated(keep='first',subset=['customerId','transactionDate','transactionAmount','cardLast4Digits','transactionHour'])]
print('multi-swipe transaction number:{0},amount:{1}'.format(len(mult_swipe),sum(mult_swipe['transactionAmount'])))
dataset = dataset[~(dataset.index.isin(mult_swipe.index))]

multi-swipe transaction number:7565,amount:1076660.0299999956

先看一眼随时间的分布

sns.set_theme(style="darkgrid")
sns.set(rc = {'figure.figsize':(20,15)})
plt.figure(figsize = (15,8))
sns.barplot(data = dataset, x='transactionMonth',y='transactionAmount',estimator=sum)

在这里插入图片描述

sns.set_theme(style="darkgrid")
sns.set(rc = {'figure.figsize':(20,15)})
plt.figure(figsize = (15,8))
sns.barplot(data = dataset, x='transactionMonth',y='transactionAmount',estimator=len)

在这里插入图片描述

可以看出每个月份的交易金额和交易笔数相差不大

plt.figure(figsize = (15,8))
sns.boxplot(data = dataset,x='transactionMonth',y='transactionAmount',notch=True,showcaps=True,
           flierprops={'marker':'x'},medianprops={'color':'coral'})

在这里插入图片描述

boxplot反映异常值主要是较高金额

处理下null较多的字段

data_null
null_numtotalpct
accountNumber07584950.000000
customerId07584950.000000
creditLimit07584950.000000
availableMoney07584950.000000
transactionDateTime07584950.000000
transactionAmount07584950.000000
merchantName07584950.000000
acqCountry44017584950.005802
merchantCountryCode7037584950.000927
posEntryMode39047584950.005147
posConditionCode3967584950.000522
merchantCategoryCode07584950.000000
currentExpDate07584950.000000
accountOpenDate07584950.000000
dateOfLastAddressChange07584950.000000
cardCVV07584950.000000
enteredCVV07584950.000000
cardLast4Digits07584950.000000
transactionType6907584950.000910
echoBuffer7584957584951.000000
currentBalance07584950.000000
merchantCity7584957584951.000000
merchantState7584957584951.000000
merchantZip7584957584951.000000
cardPresent07584950.000000
posOnPremises7584957584951.000000
recurringAuthInd7584957584951.000000
expirationDateKeyInMatch07584950.000000
isFraud07584950.000000
transactionDate07584950.000000
transactionHour07584950.000000
transactionMonth07584950.000000

remove columns which null_pct >= 0.5

data_df = dataset[data_null[data_null['pct']<0.5].index.tolist()]

data_df = data_df[['customerId', 'creditLimit', 'availableMoney','transactionDateTime','transactionAmount', 'merchantName','acqCountry', 'merchantCountryCode', 'posEntryMode', 'posConditionCode','merchantCategoryCode','accountOpenDate','dateOfLastAddressChange', 'cardCVV', 'enteredCVV', 'cardLast4Digits',
       'transactionType', 'currentBalance','expirationDateKeyInMatch', 'isFraud', 'transactionDate','transactionHour','transactionMonth']]

进一步看下fraud交易和正常交易随时间分布的差异

fig, axes = plt.subplots(3,4)
sns.histplot(ax=axes[0,0],data = data_df[(data_df['transactionMonth']==1)&(data_df['isFraud']==True)], x='transactionAmount',binwidth = 100,stat='probability').set(title='1')
sns.histplot(ax=axes[0,1],data = data_df[(data_df['transactionMonth']==2)&(data_df['isFraud']==True)], x='transactionAmount',binwidth = 100,stat='probability').set(title='2')
sns.histplot(ax=axes[0,2],data = data_df[(data_df['transactionMonth']==3)&(data_df['isFraud']==True)], x='transactionAmount',binwidth = 100,stat='probability').set(title='3')
sns.histplot(ax=axes[0,3],data = data_df[(data_df['transactionMonth']==4)&(data_df['isFraud']==True)], x='transactionAmount',binwidth = 100,stat='probability').set(title='4')
sns.histplot(ax=axes[1,0],data = data_df[(data_df['transactionMonth']==5)&(data_df['isFraud']==True)], x='transactionAmount',binwidth = 100,stat='probability').set(title='5')
sns.histplot(ax=axes[1,1],data = data_df[(data_df['transactionMonth']==6)&(data_df['isFraud']==True)], x='transactionAmount',binwidth = 100,stat='probability').set(title='6')
sns.histplot(ax=axes[1,2],data = data_df[(data_df['transactionMonth']==7)&(data_df['isFraud']==True)], x='transactionAmount',binwidth = 100,stat='probability').set(title='7')
sns.histplot(ax=axes[1,3],data = data_df[(data_df['transactionMonth']==8)&(data_df['isFraud']==True)], x='transactionAmount',binwidth = 100,stat='probability').set(title='8')
sns.histplot(ax=axes[2,0],data = data_df[(data_df['transactionMonth']==9)&(data_df['isFraud']==True)], x='transactionAmount',binwidth = 100,stat='probability').set(title='9')
sns.histplot(ax=axes[2,1],data = data_df[(data_df['transactionMonth']==10)&(data_df['isFraud']==True)], x='transactionAmount',binwidth = 100,stat='probability').set(title='10')
sns.histplot(ax=axes[2,2],data = data_df[(data_df['transactionMonth']==11)&(data_df['isFraud']==True)], x='transactionAmount',binwidth = 100,stat='probability').set(title='11')
sns.histplot(ax=axes[2,3],data = data_df[(data_df['transactionMonth']==12)&(data_df['isFraud']==True)], x='transactionAmount',binwidth = 100,stat='probability').set(title='12')
plt.tight_layout()

在这里插入图片描述

fig, axes = plt.subplots(3,4)
sns.histplot(ax=axes[0,0],data = data_df[(data_df['transactionMonth']==1)&(data_df['isFraud']==False)], x='transactionAmount',binwidth = 100,stat='probability').set(title='1')
sns.histplot(ax=axes[0,1],data = data_df[(data_df['transactionMonth']==2)&(data_df['isFraud']==False)], x='transactionAmount',binwidth = 100,stat='probability').set(title='2')
sns.histplot(ax=axes[0,2],data = data_df[(data_df['transactionMonth']==3)&(data_df['isFraud']==False)], x='transactionAmount',binwidth = 100,stat='probability').set(title='3')
sns.histplot(ax=axes[0,3],data = data_df[(data_df['transactionMonth']==4)&(data_df['isFraud']==False)], x='transactionAmount',binwidth = 100,stat='probability').set(title='4')
sns.histplot(ax=axes[1,0],data = data_df[(data_df['transactionMonth']==5)&(data_df['isFraud']==False)], x='transactionAmount',binwidth = 100,stat='probability').set(title='5')
sns.histplot(ax=axes[1,1],data = data_df[(data_df['transactionMonth']==6)&(data_df['isFraud']==False)], x='transactionAmount',binwidth = 100,stat='probability').set(title='6')
sns.histplot(ax=axes[1,2],data = data_df[(data_df['transactionMonth']==7)&(data_df['isFraud']==False)], x='transactionAmount',binwidth = 100,stat='probability').set(title='7')
sns.histplot(ax=axes[1,3],data = data_df[(data_df['transactionMonth']==8)&(data_df['isFraud']==False)], x='transactionAmount',binwidth = 100,stat='probability').set(title='8')
sns.histplot(ax=axes[2,0],data = data_df[(data_df['transactionMonth']==9)&(data_df['isFraud']==False)], x='transactionAmount',binwidth = 100,stat='probability').set(title='9')
sns.histplot(ax=axes[2,1],data = data_df[(data_df['transactionMonth']==10)&(data_df['isFraud']==False)], x='transactionAmount',binwidth = 100,stat='probability').set(title='10')
sns.histplot(ax=axes[2,2],data = data_df[(data_df['transactionMonth']==11)&(data_df['isFraud']==False)], x='transactionAmount',binwidth = 100,stat='probability').set(title='11')
sns.histplot(ax=axes[2,3],data = data_df[(data_df['transactionMonth']==12)&(data_df['isFraud']==False)], x='transactionAmount',binwidth = 100,stat='probability').set(title='12')
plt.tight_layout()

在这里插入图片描述

fraud类型交易0-100和100-200区间交易占比较高。正常交易0-100占比明显高于其他区间，且第四季度占比略高于其他季度

plt.figure(figsize = (15,8))
g = sns.FacetGrid(data_df,col='transactionTime_',row='isFraud',margin_titles=True)
g.map(sns.histplot,'transactionAmount',stat='probability',binwidth = 50)
plt.tight_layout()

在这里插入图片描述

看着这个比例分布，正常交易对时间段不敏感，无差异。fraud类型的交易下午时间段分布和其他时间段不同，100-200占比最高

cus_df.head()
customerIdtransactionAmounttransactionDatecumpct
03806802414589985.93315540.044210
18828151341842601.52126650.061958
25708848631514931.43104520.076549
32462512531425588.8498060.090280
43693080351012414.4269280.100032
sns.lineplot(x='cus_pct',y='cumpct',data=cus_df )

在这里插入图片描述

80%的交易金额由20%的客户贡献

sns.histplot(data = cus_df, x='TA',stat='count',binwidth=10).set(title='TA')

在这里插入图片描述

客单价集中在150左右

df_ttl = df[['customerId', 'creditLimit','transactionAmount','acqCountry','merchantCategoryCode','transactionType','currentBalance','transactionMonth','transactionTime_',
        'days_tranz_open','merchantName_', 'CVV', 'days_address', 'isFraud']]

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn import metrics
from sklearn.metrics import roc_curve
from sklearn.model_selection import GridSearchCV
trained_cols = ['customerId', 'creditLimit','transactionAmount','acqCountry','merchantCategoryCode','transactionType','currentBalance','transactionMonth','transactionTime_',
        'days_tranz_open','merchantName_', 'CVV', 'days_address','label']

s_train_X,s_test_X,s_train_y,s_test_y = train_test_split(df_ttl[trained_cols],\
                                                 df_ttl['label'],train_size=0.8,random_state=123)

cus_df = s_train_X.groupby('customerId',as_index=False).agg({'transactionAmount':'sum','acqCountry':'count'})
cus_df = cus_df.rename(columns = {'acqCountry':'Frequency'})
cus_df['TA'] = cus_df['transactionAmount']/cus_df['Frequency']

s_train_X = s_train_X.merge(cus_df[['customerId','Frequency','TA']],on='customerId',how='left')
s_test_X = s_test_X.merge(cus_df[['customerId','Frequency','TA']],on='customerId',how='left')

s_train_X['TA_Tranz'] = s_train_X['transactionAmount'] - s_train_X['TA']
s_test_X['TA_Tranz'] = s_test_X['transactionAmount'] - s_test_X['TA']

feature generation

class WOE(Analysis):
    @staticmethod
    def __perc_share(df,group_name):
        return df[group_name]/df[group_name].sum()
    def __calculate_perc_share(self,feat):
        df = self.group_by_feature(feat)
        df['perc_good'] = self.__perc_share(df,'good')
        df['perc_bad'] = self.__perc_share(df,'bad')
        df['perc_diff'] = df['perc_good'] - df['perc_bad']
        return df
    def calculate_woe(self,feat):
        df = self.__calculate_perc_share(feat)
        df['woe'] = np.log(df['perc_good']/df['perc_bad'])
        df['woe'] = df['woe'].replace([np.inf,-np.inf],np.nan).fillna(0)
        return df
    
    
    

class CategoricalFeature():
    def __init__(self,df,feature):
        self.df = df
        self.feature = feature
    
    @property
    def _df_woe(self):
        df_woe = self.df.copy()
        df_woe['bin'] = df_woe[self.feature].fillna('missing')
        return df_woe[['bin','label']]
        

def draw_woe(woe_df):
    fig, ax = plt.subplots(figsize=(10,6))
    sns.barplot(x=woe_df.columns[0], y=woe_df.columns[-2], data=woe_df, palette=sns.cubehelix_palette(len(woe_df),start=0.5,rot=0.75,reverse=True))
    ax.set_title('WOE visualization for: ' + feature)
    plt.xticks(rotation=30)
    plt.show()

def print_iv(woe_df):
    iv = woe_df['iv'].sum()
    if iv < 0.02:
        interpre = 'useless'
    elif iv < 0.1:
        interpre = 'weak'
    elif iv < 0.3:
        interpre = 'medium'
    elif iv < 0.5:
        interpre = 'strong'
    else:
        interpre = 'toogood'
    return iv,interpre
category feature
feature_cat = ['creditLimit','acqCountry', 'transactionType', 
               'transactionMonth', 'transactionTime_', 'CVV','merchantName_','merchantCategoryCode']
# feature_cat = ['creditLimit']
iv_dic = {}
iv_dic['feature'] = []
iv_dic['iv'] = []
iv_dic['interpretation'] = []
    

iv_df = pd.DataFrame(iv_dic)
display(iv_df)
featureivinterpretation
0creditLimit0.019578useless
1acqCountry0.000674useless
2transactionType0.016641useless
3transactionMonth0.003295useless
4transactionTime_0.000690useless
5CVV0.004968useless
6merchantName_0.766754toogood
7merchantCategoryCode0.222249medium
continuous feature
import scipy.stats as stats
feature_conti = ['transactionAmount','currentBalance','days_tranz_open','days_address', 'Frequency', 'TA','TA_Tranz']
# feature_conti = ['Frequency']
iv_con_dic = {}
iv_con_dic['feature'] = []
iv_con_dic['iv'] = []
iv_con_dic['interpretation'] = []


iv_con_df = pd.DataFrame(iv_con_dic)
iv_con_df
featureivinterpretation
0transactionAmount0.377574strong
1currentBalance0.003375useless
2days_tranz_open0.000420useless
3days_address0.003841useless
4Frequency0.023392weak
5TA0.022107weak
6TA_Tranz0.322500strong
draw_woe(woe_df)

在这里插入图片描述

这里用单笔交易与相应客户的平均比单价的差举例，可以看出当差大于10时，相应交易更倾向于fraud

col_model = iv_df[~(iv_df['interpretation'].isin(['useless']))]['feature'].values.tolist()
col_model.extend(iv_con_df[~(iv_con_df['interpretation'].isin(['useless']))]['feature'].values.tolist())
trained_col = []
for col in col_model:
    trained_col.append('woe'+col)
trained_col

['woemerchantName_',
 'woemerchantCategoryCode',
 'woetransactionAmount',
 'woeFrequency',
 'woeTA',
 'woeTA_Tranz']

后面就使用这6个feature进行建模

Model

利用GridsearchCV对超参数进行遍历寻优

lr_paras = [{'penalty':['l2'],
             'C':[0.01,0.05,0.1,0.5,1,5,10,50,100],
             'class_weight':[{0:0.1,1:0.9},{0:0.2,1:0.8},{0:0.3,1:0.7},{0:0.4,1:0.6},{0:0.5,1:0.5},{0:0.6,1:0.4},{0:0.7,1:0.3},{0:0.8,1:0.2},{0:0.9,1:0.1}],
             'solver':['liblinear'],
             'multi_class':['ovr']}]

modelLR = GridSearchCV(LogisticRegression(tol=1e-6),lr_paras,cv=5,verbose=1)
modelLR.fit(s_train_X,s_train_y)

Fitting 5 folds for each of 81 candidates, totalling 405 fits


[Parallel(n_jobs=1)]: Using backend SequentialBackend with 1 concurrent workers.
[Parallel(n_jobs=1)]: Done 405 out of 405 | elapsed:  7.0min finished





GridSearchCV(cv=5, estimator=LogisticRegression(tol=1e-06),
             param_grid=[{'C': [0.01, 0.05, 0.1, 0.5, 1, 5, 10, 50, 100],
                          'class_weight': [{0: 0.1, 1: 0.9}, {0: 0.2, 1: 0.8},
                                           {0: 0.3, 1: 0.7}, {0: 0.4, 1: 0.6},
                                           {0: 0.5, 1: 0.5}, {0: 0.6, 1: 0.4},
                                           {0: 0.7, 1: 0.3}, {0: 0.8, 1: 0.2},
                                           {0: 0.9, 1: 0.1}],
                          'multi_class': ['ovr'], 'penalty': ['l2'],
                          'solver': ['liblinear']}],
             verbose=1)

coef_,intercept_ = LR_(modelLR.best_estimator_,s_train_X,s_train_y)


s_test_X.drop(columns='pred',inplace=True)
s_train_X.drop(columns='pred',inplace=True)

s_y_pred_prob = lr_score(s_test_X,coef_,intercept_)

s_y_pred_prob_train = lr_score(s_train_X,coef_,intercept_)

LR可以输出probability，遍历下步长，确定最优的threshold

thre = np.linspace(0,0.5,50)

score_dic = {}
score_dic['thre'] = []
score_dic['score'] = []
for item in thre:
    s_y_pred_train = [1 if i >= item else 0 for i in s_y_pred_prob_train]
    score_f1 = f1_score(s_train_y,s_y_pred_train,average='macro')
    score_dic['thre'].append(item)
    score_dic['score'].append(score_f1)

s_y_pred_train = [1 if i >= thresh else 0 for i in s_y_pred_prob_train]
s_y_pred = [1 if i >= thresh else 0 for i in s_y_pred_prob]

print('Training set performance')
print(metrics.confusion_matrix(s_train_y, s_y_pred_train))
print(metrics.classification_report(s_train_y, s_y_pred_train))

print('Test set performance')
print(metrics.confusion_matrix(s_test_y, s_y_pred))
print(metrics.classification_report(s_test_y, s_y_pred))

Training set performance
[[576091  14082]
 [  7969   1162]]
              precision    recall  f1-score   support

           0       0.99      0.98      0.98    590173
           1       0.08      0.13      0.10      9131

    accuracy                           0.96    599304
   macro avg       0.53      0.55      0.54    599304
weighted avg       0.97      0.96      0.97    599304

Test set performance
[[144053   3385]
 [  2091    297]]
              precision    recall  f1-score   support

           0       0.99      0.98      0.98    147438
           1       0.08      0.12      0.10      2388

    accuracy                           0.96    149826
   macro avg       0.53      0.55      0.54    149826
weighted avg       0.97      0.96      0.97    149826

fpr, tpr, _ = metrics.roc_curve(s_test_y, s_test_X_.pred)
auc = metrics.roc_auc_score(s_test_y, s_test_X_.pred)

plt.figure(figsize=(8,6))
sns.lineplot(fpr,tpr,label='Model AUC %0.2f' % auc, color='palevioletred', lw = 2)
plt.plot([0, 1], [0, 1], color='lightgrey', lw=1.5, linestyle='--')
plt.xticks(fontsize=12)
plt.yticks(fontsize=12)
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate',fontsize=12)
plt.ylabel('True Positive Rate',fontsize=12)
plt.title('ROC - Test Set',fontsize=13)
plt.legend(loc="lower right",fontsize=12)
plt.rc_context({'axes.edgecolor':'darkgrey','xtick.color':'black','ytick.color':'black','figure.facecolor':'white'})
plt.show()

在这里插入图片描述

AUC虽然有0.75，但是F1score只有0.54，模型效果其实是很差的。这主要是极端不平衡数据集带来的影响。同时也说明，对于这种极端不平衡数据集挑选合适的metrics很重要

Sarah_07
关注
信号灯预警模型
qq_25018077的博客
09-21 686
​木子最近在听一位大牛供应链专家提到“信号灯预警模型”，一头雾水的木子也不敢直接上去问专家，显得木子很无知，因此悄悄地记下来，回家后赶紧学习一下。 ①我们为何需要预警？ 其实在弄明白这一个看似高大上的模型之前，我们需要问一个问题“为何要预警？”， 根据我们实际生活中的体验，拿经济社会部门为例，一般国家或者机构会对未来一段时间内的经济做出预测，比如GDP有望增速大多少等。那么，预警两个字拆看来看应该包含有预测+警示的两层意思，首先预测，然后警示，因此我们就明白了宏观经济的预警就是提前预测..
大数据应用案例：如何在金融行业中利用数据挖掘实现风险控制和预测
baidu_38876334的博客
05-08 2065
随着数字化时代的到来，大量的金融数据被产生和积累，这些数据包括用户行为数据、交易数据、市场数据、企业数据等等。大数据和数据挖掘技术在金融行业中的应用已经带来了显著的效益，包括更好的风险控制、更好的客户服务和更高的盈利。该系统利用数据挖掘技术，分析客户的贷款数据、信用评分、经济环境等因素，预测客户可能出现的违约风险，并及时采取措施，降低贷款违约的损失。该系统利用数据挖掘技术，分析客户的交易数据、信用评分和历史欺诈行为等因素，识别潜在的欺诈行为并及时采取措施，降低信用卡欺诈的损失。
基于贝叶斯网络的人力资源管理风险预警模型
06-20
人力资源管理的众多不确定性因素可能导致企业面临各种各样的风险,有效评估和预警人力资源管理风险有助于提高企业人力资源管理的有效性。基于现有研究成果的局限性,将贝叶斯网络引入到企业人力资源管理风险预警研究之中。首先阐述了贝叶斯网络的相关理论和在风险管理方面的应用研究,然后对人力资源管理风险的内涵和分类进行界定,在此基础上构建了人力资源管理风险预警指标体系。最后以贝叶斯网络为工具,建立了基于贝叶斯网络的人力资源管理风险模型。通过问卷调查获得网络节点参数,在MATLAB平台结合FullBNT工具箱完成了贝叶斯网络的局部学习,并根据网络推理的结果提出相应的风险管理决策。
交易类预警模型
陆山右的技术博客
04-19 1353
监测系统建成并逐步完善后我行会计风险监控效率将大大提高，总行能够直接监控分、支行预警信息和风险事项，能有效 提示分行监管风险事项，能对客户账户全生命周期进行分析管理，能为现场检查提供依据、能成为现场检查的有效补丁、能促使分行建立更加完善的风险防控机制。主要包括以下功能： 1.交易类预警模型。 交易类包括结算账户管理、内部账户管理、支付结算管理、现金及重空管理、大额资金异动、冲正撤销交易、班外业务、...
非煤矿山风险监测预警算法 yolov8
燧机科技的博客
08-29 477
非煤矿山风险监测预警算法通过yolov8网络模型深度学习算法框架，非煤矿山风险监测预警算法在煤矿关键地点安装摄像机等设备利用智能化视频识别技术，能够实时分析人员出入井口的情况，人数变化并检测作业状态。YOLO的结构非常简单，就是单纯的卷积、池化最后加了两层全连接，从网络结构上看，与前面介绍的CNN分类网络没有本质的区别，最大的差异是输出层用线性函数做激活函数，因为需要预测bounding box的位置（数值型），而不仅仅是对象的概率。所以粗略来说，YOLO的整个结构就是输入图片经过神经网络的变换得到一个输出
风控数据测试概要
weixin_42100427的博客
09-11 3586
数据测试简介   简而言之，数据测试就是对数据的质量进行测试，查看该质量能不能被我方接受。在风控中，数据测试的主要目的是测试对方数据源是否可以较好地区分出我方申请用户的好坏，衡量质量的指标主要包括：Lift-Chart、AUC、KS、WOE、IV。 注：下面所有的解释均是从风控角度出发 Lift Chart   Lift Chart被广泛的应用于风控阈值选择中，用来衡量某个风险分对好坏人的单调程度...
Flink电商项目，实时统计分析 + 风控--UserBehaviorAnalysis.zip
最新发布
11-01
总结来说，"Flink电商项目，实时统计分析 + 风控--UserBehaviorAnalysis"是一个综合性的实战项目，通过运用Apache Flink，实现了对电商用户行为的实时监控和风险预警，对于理解和应用Flink进行实时数据分析具有很高...
贝壳金科-电商的风控系统-交易&账户风控.rar
12-23
1. 风险识别：贝壳金科采用先进的大数据分析技术，通过用户的交易历史、设备信息、行为模式等多维度数据，构建风险评分模型，对每一笔交易进行实时风险评估，识别潜在的异常行为。 2. 实时监控：利用机器学习算法，...
2019年中国保险行业智能风控白皮书-2019.6-41页.pdf
09-01
2. 数字风控成为关键，借助大数据、人工智能等技术优化风险预警规则和模型。 三、保险行业风控现状 1. 欺诈问题严重：保险欺诈频繁，约占赔付总额的20%-30%。 2. 依赖人工：核保核赔过程主要依赖人工经验，效率低下...
风控决策引擎--建模案例介绍，金融银行
04-01
风控决策引擎的关键在于建立有效的风险模型，以确保在贷款审批过程中对潜在风险进行量化评估和早期预警。 案例1，"申请评分卡"，展示了如何设计和应用模型来区分好客户和坏客户。在表现期（申请后至少6个月）内，...
基于Lasso_logistic模型的个人信用风险预警方法_方匡南（共12页）
09-13
将Ｌａｓｓｏ－ｌｏｇｉｓｔｉｃ模型引入个人信用评估，通过模拟实验发现，逐步回归法倾向于保留一些不重要的变量，而且选出正确模型的概率较低，而Ｌａｓｓｏ不仅计算更加快捷，可以同时进行变量选择和参数估计，而且能更准确地筛选出重要的 变量。以信用卡消费信贷违约数据为例对我国个人信用评估进行实证分析发现，相对于全变量Ｌｏｇｉｓｔｉｃ模型和逐步回归Ｌｏｇｉｓｔｉｃ模型，Ｌａｓｓｏ－ｌｏｇｉｓｔｉｃ模型更能抓住影响消费信用风险的关键因素，而且预测准确率也更高。
电信行业离网预警模型数据挖掘
11-19
本文重点探讨电信业如何开展及运用数据挖掘技术，提高市场差异化营销能力。用实际证明数据挖掘技术对市场精细化营销具有切实的指导作用。
风控建模一等奖
09-12
使用拍拍贷数据，建模全过程，从数据预处理开始到最后的模型比较。仅用于交流学习。
Python机器学习金融风控信用评分卡模型源码+数据，信用评分卡模型-逻辑回归模型
04-18
在金融风控领域，信用评分卡模型是一种广泛应用的风险评估工具，用于预测个人或企业偿还债务的可能性。这个模型通过分析大量历史信贷数据，运用机器学习算法，尤其是逻辑回归，来量化客户的信用风险。本项目中，我们...
数据预警模型，该如何搭建？
cdfunlove的博客
08-11 884
数据分析能主动做出预警，是所有人的终极期望。可现实是很惨淡的，经常是指标已经下跌了，业务部门忙得团团转了，数据分析才慢慢悠悠地分析“昨天为啥DAU下降30%”。 最后辛苦半天落个“我早知道了，早干啥去了！”的抱怨。那如何提前做出预警？今天系统讲解一下。 01 第一步：清晰角色 首先要清晰：预警是给到人的警报。因此谁需要听这个警报，是第一顺位要考虑的。在实际工作中，有四大类角色： 进行预警第一步，就是要先明确要预警的业务场景...
风控建模一、初步认识风控
nanjifengzi的博客
09-12 3312
风控知识简单介绍，规则，人工智能进行风控建模。
常见的几种流失预警模型
花与花
03-10 6218
建立预警模型的目的是提前识别潜在流失用户，为挽留用户赢得时间。 流失预警模型，不应该只是单一的模型，而应该是一系列模型。预警模型的优劣通常用准确率、召回率来衡量。准确率：预测为流失的用户中，有多少真的流失。召回率：真实的流失用户中，有多少被预测为流失。 对于结果类的预测模型，只关注预测的准确性。比如，预测股票的涨跌，只要模型预测准确，按预测结果操作即可。但对于策略类的预测模型，预测只是第一步，还需...
产品经理 | 智能视频监控系统软件设计（上）
突然好想你
03-08 2288
智能监控系统是采用图像处理、模式识别和计算机视觉技术，通过在监控系统中增加智能视频分析模块，借助计算机强大的数据处理能力过滤掉视频画面无用的或干扰信息、自动识别不同物体，分析抽取视频源中关键有用信息，快速准确的定位事故现场，判断监控画面中的异常情况，并以最快和最佳的方式发出警报或触发其它动作，从而有效进行事前预警，事中处理，事后及时取证的全自动、全天候、实时监控的智能系统。
风险预警模型数据库设计
05-19
风险预警模型数据库设计需要考虑以下几个方面： 1. 数据源：确定需要收集哪些数据来作为风险预警模型的输入。例如，金融行业中，可以考虑收集客户的交易记录、信用评分、贷款记录等数据。 2. 数据存储：设计数据库结构，包括表的字段和关系。根据业务需求，可以设计多个表，如客户信息表、交易记录表、信用评分表等。 3. 数据采集和清洗：确定数据采集和清洗的流程，并设计相应的数据采集和清洗程序。 4. 数据分析和建模：根据业务需求，对采集的数据进行分析和建模。可以使用机器学习算法，如决策树、随机森林等，来构建风险预警模型。 5. 数据展示：设计可视化界面，将模型预测结果以图表等形式展示给用户，方便用户了解风险状况。 6. 数据安全：考虑数据安全性，采取相应的数据加密和备份措施，保障数据的安全性和完整性。 综上所述，风险预警模型数据库设计需要全面考虑业务需求和数据安全性，同时结合机器学习算法进行建模，以实现精准的风险预警。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值