分类 迁移学习_迁移学习在金融风控领域的应用

为什么做迁移？

一句话概括：源域样本和目标域样本分布有区别，目标域样本量又不够。

场景

思考我们平时建模会使用到迁移学习的一些场景：

1）新开了某个消费分期的场景只有少量样本，需要用其他场景的数据进行建模；
2）业务被迫停止3个月后项目重启，大部分训练样本比较老旧，新的训练样本又不够；
3）在某个新的国家开展了类似国内的业务，因为国情不同，显然部分特征分布是不同的；

主要任务

缩小边缘分布之间的距离 和 jia条件分布下的差异。

首先我们来看一下迁移学习领域的进展

介绍几个基本概念：

• Domain（域）：包括两部分：feature space（特征空间）和probability（概率）。所以当domain不同的时候，分两种情况。可能是feature space不同，也可能是feature space一样但probability不同；
• Task（任务）：包括两部分：label space（标记空间）和objective predictive function（目标预测函数）。同理，当task不同的时候，也分两种情况。可能是label space不同，也可能是label space一样但function不同；
• Source（源）是用于训练模型的域/任务；
• Targe（任务）是要用前者的模型对自己的数据进行预测/分类/聚类等机器学习任务的域/任务

通常我们说的迁移学习就是指将知识从源域迁移到目标域的过程。

比如我们有大量英短银渐层的图片，和少量美短起司的照片，想训练一个判别当前的猫是不是美短起司的学习器。如果我们用英短银渐层图片来作为样本，显然训练的模型是不能用来判别美短起司的，用美短起司的样本来训练，样本量又太小。

这时候我们可能会使用英短银