AI训练营金融风控—04建模与调参打卡

已于 2023-01-18 14:04:48 修改
阅读量302 收藏
点赞数
分类专栏： AI训练营金融风控 文章标签： 数据挖掘 人工智能
于 2023-01-18 11:52:29 首次发布
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/irisxiaoyuer/article/details/128648781
版权
本学习笔记介绍了金融风控中常用机器学习模型，包括逻辑回归、决策树、GBDT、XGBoost、LightGBM和Catboost。详细讲解了模型原理、模型对比与性能评估，以及模型调参方法如贪心调参、网格搜索和贝叶斯调参。通过案例展示了如何在实际项目中进行模型构建和优化。
摘要由CSDN通过智能技术生成

本学习笔记为阿里金融风控训练营的学习内容，学习链接为：AI训练营金融风控-阿里云天池

我的完整笔记为：AI训练营金融风控—04建模与调参打卡_天池notebook-阿里云天池

  回顾：

AI训练营金融风控—01赛题理解打卡_宇宙高能量者的博客-CSDN博客

AI训练营金融风控—02EDA探索性数据分析打卡_宇宙高能量者的博客-CSDN博客

AI训练营金融风控—03特征工程打卡_宇宙高能量者的博客-CSDN博客

一、学习知识点概要

  • 学习在金融细分领域常用的机器学习模型
  • 学习机学习模型的构建过程与调参流程

二、学习内容

1. 总框架

  • 逻辑回归模型：

    • 理解逻辑回归模型；
    • 逻辑回归模型的应用；
    • 逻辑回归的优缺点；

  • 树模型：

    • 理解树模型；
    • 树模型的应用；
    • 树模型的优缺点；

  • 集成模型

    • 基于bagging思想的集成模型
      • 随机森林模型
    • 基于boosting思想的集成模型
      • XGBoost模型
      • LightGBM模型
      • CatBoost模型

  • 模型对比与性能评估：

    • 回归模型/树模型/集成模型；
    • 模型评估方法；
    • 模型评价结果；

  • 模型调参：

    • 贪心调参方法；

    • 网格调参方法；

    • 贝叶斯调参方法；

2. 模型原理

1）逻辑回归模型

机器学习系列(1)_逻辑回归初步_寒小阳的博客-CSDN博客

2）决策树模型

Python3《机器学习实战》学习笔记（三）：决策树实战篇之为自己配个隐形眼镜_Jack-Cui的博客-CSDN博客_python机器学习实战 决策树

3）GBDT模型

机器学习大杀器——梯度提升树GBDT - 知乎

4）XGBoost模型

白话机器学习算法理论+实战番外篇之Xgboost_翻滚的小@强的博客-CSDN博客_xgboost 白话

5）LightGBM模型

白话机器学习算法理论+实战番外篇之LightGBM_翻滚的小@强的博客-CSDN博客_白话机器学习算法

6）Catboost模型

深入理解CatBoost

7）时间序列模型(选学)

RNN：如何深度理解RNN？——看图就好！ - 知乎

LSTM：人人都能看懂的LSTM介绍及反向传播算法推导（非常详细） - 知乎

8）推荐教材：

《机器学习》 机器学习 (豆瓣)

《统计学习方法》 统计学习方法 (豆瓣)

《面向机器学习的特征工程》 Feature Engineering for Machine Learning Models (豆瓣)

《信用评分模型技术与应用》

最低0.47元/天 解锁文章
宇宙高能量者
关注
专栏目录
昇思25天学习打卡营|MQ（mindquantum）编程实践
数字人生
07-14 1068
Pix2Pix是基于条件生成对抗网络（cGAN, Condition Generative Adversarial Networks ）实现的一种深度学习图像转换模型，该模型是由Phillip Isola等作者在2017年CVPR上提出的，可以实现语义/标签到真实图片、灰度图到彩色图、航空图到地图、白天到黑夜、线稿图到实物图的转换。生成器和判别器。传统上，尽管此类任务的目标都是相同的从像素预测像素，但每项都是用单独的专用机器来处理的。
【paddle深度学习高层API七日打卡营】客观题答案全集
三岁学编程的博客
02-08 1344
paddle深度学习高层API七日打卡营客观题答案全集学会使用必备开源社区、官方文档获取帮助～第一节课后作业题第二节课后作业题第三节课后作业题第四节课后作业题第五节课后作业题 学会使用必备开源社区、官方文档获取帮助～ 机器学习，深度学习，人工智能 三个概念的关系是？ 20分 A.1>2>3 B.1<2<3 C.2<1<3 D.1=2=3 C 二. 多选题（共1题，共20分） 使用飞桨的建模程序包括哪几个部分？ 20分 A.数据处理 B.模型设置 C.训练配置
AI训练营金融风控—05模型融合打卡
irisxiaoyuer的博客
01-18 197
模型融合
AI训练营金融风控Task2 数据分析部分学习笔记
weixin_44781854的博客
04-25 116
本学习笔记为阿里云天池龙珠计划金融风控训练营的学习内容，学习链接为：https://tianchi.aliyun.com/specials/activity/promotion/aicampfr 一、 学习知识点概要 EDA（Exploratory Data Analysis）相关步骤： 数据总览 读取数据 查看异常值（缺失值、唯一值） 数据分布 数据间的关系 二、学习内容 读取文件# 调用pandas库读取csv文件，os.getcwd() import pandas as pd data =
大数据智能风控：模型、平台与业务实践
最新发布
Why_does_it_work的博客
06-24 8982
商业银行作为金融中介机构，经营的本质是对风险的运营和管理。金融科技的高速发展和国家政策的扶持，驱动商业银行向数字化、信息化、智能化的更高阶段发展。在此背景下，商业银行更应抓住数字化转型机遇，建立覆盖风险识别、计量、分析、处置全流程的智能风控体系，全面提升银行风险防控能力。传统的风控体系中定性风险管理占主体，以主观规则及客户评级为主，存在数据获取维度窄、定量分析能力偏弱、难以精确化用户特征等缺点。在数字化转型的背景下，传统的风险管控模式在风险管控时效性、模型有效性、监控范围等多个方面的短板日益凸显。
金融风控数据建模导论
weixin_30687051的博客
11-09 468
（一）序言 （二）序言 金融风控具体在哪个环节才需要数据建模 贷前审核 贷后管理 反欺诈 1.2 金融机构信贷风控流程介绍 （1）客户申请 没啥可说的 （2）资料填写 具体个人信息填写错误，金融机构会要求客户重新填写，如何联系客户资料填写错误，会要求冻结几天才能重新申请 （3）要素验证 根据客户的资料填写...
如何应用深度学习技术解决金融预测、风险等领域？学习复盘：七月在线金融AI高级训练营
m0_75261490的博客
11-25 266
金融智能应用
AI训练营金融风控—03特征工程打卡
irisxiaoyuer的博客
01-17 144
特征工程
【七班】MMPose代码实践与耳朵穴位数据集实战【OpenMMLab AI实战营第二期Day3+作业1】
chenghong1的专栏
06-05 510
但是Linux操作系统操作中是有问题的，!wget https://zihao-openmmlab.obs.cn-east-3.myhuaweicloud.com/20220716-mmclassification/dataset/SimHei.ttf -O /environment/miniconda3/lib/python3.7/site-packages/matplotlib/mpl-data/fonts/ttf/SimHei.ttf中，下载的文件似乎有问题无法生效，且下载路径不准确，
风控模型的基础知识
evanzh7的博客
01-12 2885
风控模型根据设定的y变量与可获得的x变量不同，大致可以分为三类：即A卡，B卡，C卡。今天就让我们聊聊三者的区别。 1、A卡（Application score card） A卡即申请评分模型，此类风控模型的目的在于预测申请时点（申请信用卡、申请贷款）未来一定时间内逾期的概率。Y变量的设定观察点为申请时点，定义为表现期内是否逾期。X变量一般只有客户填写的申请书信息，加上外部查询的数据与征信报告。 2、B卡（Behavior score card） B卡即行为评分模型，此类风控模型的目的在于预测使用时点（获得贷
第四篇：常用风控模型指标体系
weixin_53415236的博客
08-26 4893
全面了解智能风控模型的指标体系
Python信贷风控模型：Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付
拓端研究室TRL
11-29 555
全文链接：http://tecdat.cn/?p=26184在此数据集中，我们必须预测信贷的违约支付，并找出哪些变量是违约支付的最强预测因子？以及不同人口统计学变量的类别，拖欠还款的概率如何变化？（点击文末“阅读原文”获取完整代码数据）相关视频有25个变量：1. ID：每个客户的ID2. LIMIT_BAL：金额3. SEX：性别（1 =男，2 =女）4.教育程度：（1 =研究生，2 =本科...
如何用AI算法识别骗保行为？蚂蚁保险智能风控模型首次公开！
热门推荐
阿里技术
03-26 1万+
阿里妹导读：人生充满意外和不确定性，保险的使命，就是给人以安全感。风控是保险业务正常发展的重要环节，成长于互联网环境下的保险风控更为重要。今天，阿里工程师正在利用跨平台体系下的海量数据资源和智能风控模型，优化保险风控，提升保险业务整体风控能力，让保险更好帮助人们对抗风险，减少后顾之忧。保险风控的背景以及挑战商业保险是一种用于保障未来的商业行为。除了我们常见的车险、财产险、健康险等传统保险以外，运费
模型调优过程
hezzfew的博客
09-22 1047
在特征工程上进行差不多的时候，接下来考虑更多的是模型调优，一般会先进行模型选择，在模型选择过程中，根据特征和数据情况，选择合适的基础模型，在基础模型上再进行参数寻优的过程，一般模型的准确率和在参数寻优的准确率上，差别一般是2个点左右，不过参数寻优过程中，寻优的成本会很大。 1.模型学习 相应模型的学习内容： 逻辑回归模型 决策树模型 GBDT模型 XGBoost模型 LightGBM模型 Catboost模型 时间序列模型 RNN LSTM 推荐教材 《机器学习》 《统计学习
心电图信号分类预测——Task4 建模与调参
m0_46668150的博客
03-25 738
文章目录前言一、目前常见的模型及评价、调参方法二、代码示例1.引入库2.读入数据总结 前言 经过Task3的特征提取正常情况下我们可以得到训练集的特征，但我的电脑没能跑出来数据，因此使用的是小伙伴分享的特征数据集train_features_file.pkl，下面开始尝试选择合适的模型以及参数. 提示：以下是本篇文章正文内容，下面案例可供参考 一、目前常见的模型及评价、调参方法 1.1 逻辑回归 优点 训练速度较快，分类的时候，计算量仅仅只和特征的数目相关； 简单易理解，模型的可解释性非常好，从..
训练AI模型如何调参
hjl_heart的博客
01-20 830
本文只是记录在网上看视频看到的如何调参的这个笔记，如有侵权，立即删除。
建模与调参
Lemon_pudding的博客
09-24 311
学习目标 1. 学习在金融分控领域常用的机器学习模型 2. 学习机器学习模型的建模过程与调参流程 3. 完成相应学习打卡任务 逻辑回归模型 优点 a. 训练速度较快，分类的时候，计算量仅仅只和特征的数目相关； b. 简单易理解，模型的可解释性非常好，从特征的权重可以看到不同的特征对最后结果的影响； c. 适合二分类问题，不需要缩放输入特征； d. 内存资源占用小，只需要存储各个维度的特征值； 缺点 a. 逻辑回归需要预先处理缺失值和异常值【可参考task3特征工程】； b. 不能用Logistic回归
旷视AI在金融风控领域的探索与实践
旷视科技，作为一家在人工智能领域具有深厚底蕴的企业，其高级技术总监樊聪在2019年的WOT峰会上分享了旷视AI在金融风控领域的应用。旷视科技的联合创始人包括印奇、唐文斌和杨沐，他们都是在计算机科学和人工智能...
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