赛题理解： 阿里天池 零基础入门金融风控-贷款违约预测

最新推荐文章于 2023-05-31 20:30:10 发布
最新推荐文章于 2023-05-31 20:30:10 发布
阅读量577 收藏
点赞数
文章标签： 比赛
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/qq_38727626/article/details/108611121
版权

文章目录


本次赛题链接：https://tianchi.aliyun.com/competition/entrance/531830/information

题意理解

  • 这道题的目的是预测用户是否违约，本质上就是一个二分类问题。
  • 每个样本有 47 个特征，其中 15 个特征做了匿名化处理，不同的特征具有不同的性质！如id是离散的，且没有顺序以及大小的关系；grade表示贷款等级虽然同样是离散的，但他是有大小之分的，因此在建模之前应当尽量考虑这些关系~
  • 数据的样本数量超过120完，其中使用20万作为测试集、20万作为验证集，因此训练集的数据量是超过80万的，数据的数量应当还是很充足。

提交与指标

  • 最终结果使用AUC作为评价指标，AUC越大越好
  • 提交的是当前样本是违规的概率，而不是某个类别

需要注意的地方

  • 首先需要做数据分析，了解数据的分布情况，比如：
    • 是否有缺失值，如果有，该如何处理
    • 类别是否均衡
    • 变量相关性分析等
  • 模型的选择
123liudong
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
t-SNE降维算法详解（附matlab代码）
yyyyyyep的博客
06-27 3070
t-SNE的主要用途是可视化和探索高维数据。它由Laurens van der Maatens和Geoffrey Hinton在JMLR第九卷(2008年)中开发并出版。t-SNE的主要目标是将多维数据集转换为低维数据集。相对于其他的降维算法，对于数据可视化而言t-SNE的效果最好。如果我们将t-SNE应用于n维数据，它将智能地将n维数据映射到3d甚至2d数据，并且原始数据的相对相似性非常好。与PCA一样，t-SNE不是线性降维技术，它遵循非线性，这是它可以捕获高维数据的复杂流形结构的主要原因。
t-SNE完整笔记
This is bill的专属博客
01-30 9950
t-SNE(t-distributed stochastic neighbor embedding)是用于降维的一种机器学习算法，是由 Laurens van der Maaten 和 Geoffrey Hinton在08年提出来。此外，t-SNE 是一种非线性降维算法，非常适用于高维数据降维到2维或者3维，进行可视化。t-SNE是由SNE(Stochastic Neighbor Embeddin
机器学习基础---降维方法---T分布随机近邻嵌入(TSNE)推导
jkgghvfuj的博客
11-03 2009
T-SNE（T-Stochastic Neighbor Embedding） 核心思想： 对无监督聚类问题： PCA目的是在样本空间内找到子空间，以变换矩阵W对样本矩阵XXX实现原空间到子空间的映射，属于线性聚类方法；其方法核心在于最小化投影后方差 LPP方法，本身结合了非线性流形学习方法LE（拉普拉斯特征映射）的思想，引入线性变换的假设，虽然从本质上说属于线性方法，但有效地保留原始高维数据内部的非线性结构，对非线性流形数据聚类也有较好的效果；其核心在于使投影前后距离近的点相似关系保持 上述两种方法中
TSNE()参数解释+使用方法+莫烦tensorflow CNN/TSNE可视化
shenyuan12的专栏
08-20 9925
TSNE即t-distributed Stochastic Neighbor Embedding.使用方法： tsne = TSNE(perplexity=30, n_components=2, init='pca', n_iter=5000); plot_only = 500 #只画前500个点 #对中间层输出进行tsne降维 low_dim_embs = tsne.fit_transform(flat_representation[:plot_only,...
知识干货-机器学习-TSNE数据降维
studyvcmfc的专栏
07-15 492
https://zhuanlan.zhihu.com/p/113379115
天池比赛_金融风控_贷款违约预测.zip
08-24
【标题】：“天池比赛_金融风控_贷款违约预测.zip”是一个与阿里巴巴天池平台上的金融风控相关比赛相关的资源包，主要目标是预测贷款客户的违约概率。在金融领域，风险管理尤其是信贷风险控制是至关重要的，而贷款...
新手入门天池demo--金融数据分析赛题2：保险反欺诈预测.zip
09-28
在本压缩包中，我们关注的是一个针对新手的天池数据科学竞赛入门示例，主题为"金融数据分析赛题2：保险反欺诈预测"。这个项目主要涉及的是使用数据分析和机器学习技术来识别保险欺诈行为，这对于保险行业的风险管理...
阿里天池-零基础入门NLP - 新闻文本分类
07-04
在这个阿里天池提供的零基础入门教程中，我们将深入探讨如何利用NLP技术来实现这一目标。这个项目可能涵盖了从数据预处理、模型选择到模型训练和评估的完整流程。 首先，我们要理解NLP的基础概念。NLP是计算机科学...
天池项目金融数据分析赛题1：银行客户认购产品预测
06-07
天池项目金融数据分析赛题1：银行客户认购产品预测
[Python聚类] 用TSNE进行数据降维并展示聚类结果
memory专栏
06-10 1万+
聚类结果可视化工具TSNE #-*- coding: utf-8 -*- #接博客[Python] K-Means聚类算法分类中的代码 from sklearn.manifold import TSNE tsne = TSNE() tsne.fit_transform(data_zs) #进行数据降维 tsne = pd.DataFrame(tsne.embedding_, index =...
t-SNE非线性降维
专业主义
05-08 1329
1、将高维空间中的数据映射到低维空间中，并保留数据集的局部特性。当我们想对高维数据集进行分类，但又不清楚这个数据集有没有很好的可分性（同类之间间隔小、异类之间间隔大）时，可以通过t-SNE将数据投影到2维或3维空间中观察一下：如果在低维空间中具有可分性，则数据是可分的；如果在低维空间中不可分，则可能是因为数据集本身不可分，或者数据集中的数据不适合投影到低维空间。 2、t-SNE的缺点：占用内存较多、运行时间长。 3、Manifold learning sklearn官方文档 4、t-SNE实践（可视化两个
使用T-SNE对模型任意层的结果可视化
longly-wolf的博客
07-19 1万+
模型任意层结果可视化 前提条件： 预训练模型 sklearn，matplotlib包 数据 原理：T-SNE方法 T-SNE方法可以将高维数据进行降维，保留主要维度的参数，一般降至二维或是三维。用于可视化是非常直观的。 具体的方法，请自行百度。 代码 导入相关包 from keras.models import Model from keras.utils import np_utils from modles.alexnet import AlexNet import matplotlib.pyplo
【深度学习可视化】用t-sne可视化CIFAR100数据集的测试结果
qq_45128278的博客
09-14 1198
【代码】【深度学习可视化】用t-sne可视化CIFAR100数据集的测试结果。
T-SNE降维可视化聚类结果（二维可视化、三维可视化）
zzpl139的博客
11-23 3494
T-SNE降维可视化聚类结果（二维可视化、三维可视化）
t-SNE的通俗易懂解释
热门推荐
柯拉的博客
04-29 1万+
t-SNE主要是用来对数据降维，它的应用范围很广。为了简单起见，以下是t-SNE将2维数据降到一维的例子。 如果你只是简单地将数据投影到其中一个坐标轴，你会得到一堆杂乱地数据，原来数据间的分团信息也丢失了。 t-SNE 本质上来说就是要找到一个投影方法，使得降维后，数据之间的分团信息得以保存。 那么t-SNE是如何做的呢？假设我们将这些点以一个随机的顺序排放...
TSNE 参数超级详细设置 from sklearn.manifold import TSNE
qlkaicx的博客
05-31 4744
其中的 TSNE 具有许多可调节的参数，包括 perplexity、learning rate、n_iter 和 random state 等，这些参数都可以使得 TSNE 的输出更加适合使用者的需求。它是一种基于概率的技术，可以对数据进行降维，并将数据的高维结构映射到低维空间中，保留数据之间的相似性关系。TSNE 根据高维数据点之间的相似度计算它们之间的距离并生成一组新的坐标，使得每个数据点在新的低维空间中都能够更清晰地显示其在原始高维空间中的关系。
数据降维与可视化——t-SNE
wzg2016的博客
02-23 1741
声明： manifold：可以称之为流形数据。像绳结一样的数据，虽然在高维空间中可分，但是在人眼所看到的低维空间中，绳结中的绳子是互相重叠的不可分的。 参考sklearn官方文档 对数据降维比较熟悉的朋友可以看这篇博客t-SNE实践——sklearn教程 数据降维与可视化——t-SNE t-SNE是目前来说效果最好的数据降维与可视化方法，但是它的缺点也很明显，比如：占内存大，运行时间长。但是，当我们想要对高维数据进行分类，又不清楚这个数据集有没有很好的可分性（即同类之间间隔小，异类之间间隔大），可.
比PCA降维更高级——（R/Python）t-SNE聚类算法实践指南
weixin_34124939的博客
02-24 787
更多深度文章，请关注：https://yq.aliyun.com/cloud 作者介绍：Saurabh.jaju2 Saurabh是一名数据科学家和软件工程师，熟练分析各种数据集和开发智能应用程序。他目前正在加州大学伯克利分校攻读信息和数据科学硕士学位，热衷于开发基于数据科学的智能资源管理系统。 Linkedin：https://in.linkedi...
降维相关的所有知识及相关python实现
Jasminexjf的博客
03-25 1192
一、降维和特征选择的区别 降低维度的意义： 维数灾难：在给定精度下，准确地对某些变量的函数进行估计，所需样本量会随着样本维数的增加而呈指数形式增长。 降维的意义：克服维数灾难，获取本质特征，节省存储空间，去除无用噪声，实现数据可视化，减少过拟合 之前没有详细了解之前，一直觉得降维和特征选择是一样的，因为他们的最终结果都是减少维度；但是这两者在本质上是不一样的。 By onl...
天池金融风控违约预测xgboost
最新发布
12-29
天池金融风控违约预测是一个基于大数据和人工智能技术的金融风险评估和控制平台。而xgboost是一种梯度提升算法，被广泛应用于数据挖掘和机器学习领域。 在天池金融风控违约预测中，xgboost算法可以用来构建模型，...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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