零碎知识点（实习day5）

1.灰色关联分析法

• 对于两个系统之间的因素，其随时间或不同对象而变化的关联性大小的量度，称为关联度。在系统发展过程中，若两个因素变化的趋势具有一致性，即同步变化程度较高，即可谓二者关联程度较高；反之，则较低。因此，灰色关联分析方法，是根据因素之间发展趋势的相似或相异程度，亦即“灰色关联度”，作为衡量因素间关联程度的一种方法。

2.托宾q值

• 影响货币政策效果的原因之一，被定义为一项资产的市场价值与其重置价值之比。它也可以用来衡量一项资产的市场价值是否被高估或低估。托宾q值是使托宾（詹姆斯·托宾，1981年诺贝尔经济学奖获得者）出名的一个很重要的因素，耶鲁大学里仍有托宾的崇拜者穿有印有字母“q”的文化衫。此外，以其名字命名的经济学名词还有“托宾税”、“蒙代尔-托宾效应”、“托宾分析”等。在实际操作中，重置成本可以用企业的净资产代替。

3.重置成本

• 重置成本又称现行成本，是指按照当前市场条件，重新取得同样一项资产所需支付的现金或现金等价物金额。采用重置成本计量时，资产按照现在购买相同或者相似资产所需支付的现金或者现金等价物的金额计量。负债按照现在偿付该项债务所需支付的现金或现金等价物的金额计量。

4.KMV模型

• KMV模型是美国旧金山市KMV公司于1997年建立的用来估计借款企业违约概率的方法。该模型认为，贷款的信用风险是在给定负债的情况下由债务人的资产市场价值决定的。但资产并没有真实地在市场交易，资产的市场价值不能直接观测到。为此，模型将银行的贷款问题倒转一个角度，从借款企业所有者的角度考虑贷款归还的问题。

5.XGBoost

• 在实际应用的机器学习方法里，GradientTree Boosting （GBDT）是一个在很多应用里都很出彩的技术。XGBoost是一套提升树可扩展的机器学习系统。2015年Kaggle发布的29个获胜方法里有17个用了XGBoost。在这些方案里，有8个仅用了XGBoost，另外的大多数用它结合了神经网络。对比来看，第二流行的方法，深度神经网络，只被用了11次。这个系统的成功性也被KDDCup2015所见证了，前十的队伍都用了XGBoost。此外，据胜出的队伍说，很少有别的集成学习方法效果能超过调好参的XGBoost。
  主要创新点：
• 设计和构建高度可扩展的端到端提升树系统。
• 提出了一个理论上合理的加权分位数略图（weighted quantile
  sketch ）来计算候选集。
• 引入了一种新颖的稀疏感知算法用于并行树学习。 令缺失值有默认方向。
  提出了一个有效的用于核外树形学习的缓存感知块结构。 用缓存加速寻找排序后被打乱的索引的列数据的过程。

6.知识图谱

• 知识图谱（Knowledge Graph），在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。
• 知识图谱，是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。
• 知识图谱，它能为学科研究提供切实的、有价值的参考。