Datawhale-金融风控
Datawhale-金融风控
Sm1les
这个作者很懒,什么都没留下…
展开
-
Task5
目标:将之前建模调参的结果进行模型融合。 尝试多种融合方案,提交融合结果并打卡。(模型融合一般用于A榜比赛的尾声和B榜比赛的全程)原创 2020-09-27 23:46:03 · 63 阅读 · 0 评论 -
Task4
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一、常用模型二、常用调参方法原创 2020-09-24 18:41:13 · 101 阅读 · 0 评论 -
Task3
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、选择的相应方法一、数据预处理由于接下来需要用数学模型来建模,所以所有的样本都不能有特征缺失,同时非数值型的特征都需要想办法转化为数值型1. 缺失值的填充Task2里面详细讲过,此处略2.类别特征处理类别特征转化为数值型特征的方法通常有两种:2.1LabelEncoder该方法思想很简单,直接对类别取值编号即可,例如“grade(贷款等级)”这个类别特征现有的可能取值为“A,B,C,D,E,F”这6种取原创 2020-09-21 22:46:24 · 212 阅读 · 0 评论 -
Task2
目标:学习如何对数据集整体概况进行分析,包括数据集的基本情况(缺失值,异常值)学习了解变量间的相互关系、变量与预测值之间的存在关系一、缺失值和唯一值1.缺失值1.1查看缺失值情况import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as snsimport datetimeimport warnings# 读取数据df_train = pd.read_csv('tra原创 2020-09-18 21:22:32 · 180 阅读 · 0 评论 -
Task1
目标:理解赛题目标,学习相应理论概念,熟悉应用预测指标,评分规则。学习:一.容易混淆若一个实例为正类,被预测为负类,即为假负类。(False Negative)(FN)若一个实例为负类,被预测为正类,即为假正类。(False Positive)(FP)二.概念理解:精确率(Precision):precision = TP/(TP + FP)表述了分为正类的示例中实际为正类的比例。召回率(Recall):recall=TP/(TP+FN)是覆盖面的度量,度量有多少个正类被分为正类。注:与转载 2020-09-15 23:41:05 · 144 阅读 · 0 评论