2020年09月_老三1987

09月 08月 07月

原创 task5：模型融合

模型融合的方式：平均：a. 简单平均法b. 加权平均法投票：a. 简单投票法b. 加权投票法综合：a. 排序融合b. log融合stacking:构建多层模型，并利用预测结果再拟合预测。blending：选取部分数据预测训练得到预测结果作为新特征，带入剩下的数据中预测。Blending只有一层，而 Stacking有多层boosting/bagging1 平均#简单平均pre=(pre1+pre2+pre3)/3#加权平均pre=0.1*pre1+0.3*pre2+

2020-09-27 21:53:54 83

原创 task4：建模与调参

目标学习在金融分控领域常用的机器学习模型学习机器学习模型的建模过程与调参流程1 导入库import pandas as pd import numpy as np import warnings import os import seaborn as snsimport matplotlib.pyplot as plt """ sns 相关设置 @return: """ # 声明使用 Seaborn 样式 sns.set() # 有五种seaborn的绘图风格，它们分别是：d

2020-09-24 22:36:30 275

原创 task3：特征工程

目标学习特征预处理、缺失值、异常值处理、数据分桶等特征处理方法学习特征交互、编码、选择的相应方法import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns import datetime from tqdm import tqdm from sklearn.preprocessing import LabelEncoder from sklearn.featu

2020-09-21 23:56:17 1352

原创 task2：探索性数据分析（EDA）

目的EDA价值主要在于熟悉了解整个数据集的基本情况（缺失值，异常值），对数据集进行验证是否可以进行接下来的机器学习或者深度学习建模.了解变量间的相互关系、变量与预测值之间的存在关系。为特征工程做准备import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as snstrain_data=pd.read_csv('./数据/train.csv')test_data=pd.rea

2020-09-18 23:50:47 650

原创 task1：赛题理解

1 赛题理解赛题以金融风控中的个人信贷为背景，要求选手根据贷款申请人的数据信息预测其是否有违约的可能，以此判断是否通过此项贷款，这是一个典型的分类问题。1.1 学习目标理解赛题数据和目标，清楚评分体系。完成相应报名，下载数据和结果提交打卡（可提交示例结果），熟悉比赛流程1.2 赛题概况赛题以预测金融风险为任务，数据集报名后可见并可下载，该数据来自某信贷平台的贷款记录，总数据量超过120w，包含47列变量信息，其中15列为匿名变量。为了保证比赛的公平性，将会从中抽取80万条作为训练集，20万条作为

2020-09-15 22:12:05 193

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人