-
- 特征建构*
- 外部数据
- 特征建构*
案例:运用开放数据(Open Data)的信用风险评估
OK bank 希望增加客户人数(客户太少),他们就找到AMFC公司(有资金需求的用户)给报酬AMFC。
信用卡需要客户评分卡。
客户相关信息都在AMFC
CCIS也可以提供额外信息
Open Data 政府的开放数据也可以得到信息
最终得到长变数清单
其中蓝色的就是AMFC的数据,绿色代表CCIS的额外信息
Open Data 政府的开放数据得到户籍所在地的信息
坏客户代表不缴款3期以上。
运用外部数据,以这个为基础建立评分模型。
后面变异值都达到了不错的标准
-
-
- 数据探索
-
案例:临床路径
使用不同的药物治疗好的,每个病人状况不同,需要不同药物。
有些医生经验不足,就会导致用错药物。看看输入字段与目标字段是否有关联。
性别似乎差距不大。,只有一些细微的差距。,不是非常密切
血压的比例差距似乎很大。黄色药物似乎通用,其他的药物就不一致了,算重要的字段。
胆固醇DrugC比较特别 ,
可以发现50岁之后,差距较大。药B和药A。
Na含量数据比较杂乱,看不出规律
K含量低的时候,大部分是Y药物。X药物逐渐上升。
我们也可以做两两变量的格式化呈现
决策树,该树有五层,准确率挺高。
两两交叉进行变量关系检查。
NA与K的斜线关系,就是一个比例关系,决定了药物是否使用DrugY
我们就可以进行字段的延伸NA/K,画图看看
当Na/K高于某值就可以确定是否使用Drug Y
当然与此同时特征NA和特征Y就要排除了
这次建出了3层的决策树,模型变的简单,准确率百分百。
而且规则就很明显,可读性也高。和我们之前单变量的想法一致。
-
-
- 专家经验
-
案例:银行信用风险评分
如果给我们的数据全是作业型,我们不懂如何用公式构建,这时就要靠专家经验,选择合适的计算方法。
于是专家说明:平均账单和平均缴款其实与是否逾期关系不大,因为可能收入高,使用二者数据就高,信用任然好,收入低,二者数据高,可能信用就差。没考虑到收入,所以前两者可能效果不好。看不太出来。当然我们还是要用数据验证。平均额度使用率。
平均额度使用率。代表能使用的额度,账户额度使用越高,说明收入低,需要经常使用额度。
平均还款率:重要
是否溢缴,负数就代表有已溢纳,经济能力强,回馈金额没有使用完,也会负数。如果是负几乎不可能变为坏客户。银行还欠他钱,那肯定不会变坏。
过去缴款历史得分:看看你过去是否有不缴,延期缴费的情况
按专家经验,背后有一定的理论依据,也可以构建出新的特征数据,分析型数据。
-
-
- 数据分析
-
案例:股票买卖、交通工具、投票
建构的是多项式的特征及交互特征
这是人造的数据集,前一天大于第二天,
决策树一次只能考虑一个字段,所以这个只是系统的认为,没有可读性,没有意义。
最佳规则
决策树是按照直线的地方切割,如果出现在阴影处,就会出错。
所以应该按斜线考虑,也就是考虑两个字段的关系。
黄色为第一条规则,绿色为第二条规则,蓝色为第三条规则,红色为第4条规则。
实际是我们只要规定下一天的价格大于上一天的价格我们就买,否则就卖
但是决策树做不到这一点,决策树只能直切,不能斜切。(要用神经网络解决本问题)让神经网络产生新特征
案例2交通工具
决策树认为出行距离最重要
原因如图
我们决策树是按Entropy的值来决定重要性。如果等于1,相当于完全无偏,无影响。越小越接近0代表越好,
Distannce就比较好
左边的决策树非常复杂,虽然准确率高,但是居然使用了6条规则,我们数据才8条
此时我们将两个最不重要的两个字段合并就只有4条规则。产生这种原因的情况也是因为决策树只能选择一个字段,不合并的话就不能得到好结果。解决方法要用关联规则找出关联的二者关系
案例3:投票数据集
规则就是3个一致就是意见相同
但是决策树会变的非常复杂
这个很难看出含义可解释性很差。
我们希望的结果应该是:
这是比较好和有意义的规则
决策树没法分析2个以上的字段。
要构建多项特征(二次方三次方,指数)
构建特征交互项
X1X2
Python中生成二次项
事前分析及产生延伸性变量非常重要
外部数据,人的观察,专家指数
特征工程技术。