金融风控数据挖掘-Task4

本学习笔记为阿里云天池龙珠计划Docker训练营的学习内容，学习链接为：https://tianchi.aliyun.com/specials/activity/promotion/aicampdocker

一、学习知识点概要：

主要描述金融风控领域常用的机器学习模型以及调参的算法原理，具体的代码参考金融风控训练营

二、学习内容：

1、逻辑回归

1. 优点
   ①训练速度较快，分类的时候，计算量仅仅只和特征的数目相关；
   ②简单易理解，模型的可解释性非常好，从特征的权重可以看到不同的特征对最后结果的影响；
   ③适合二分类问题，不需要缩放输入特征；
   ④内存资源占用小，只需要存储各个维度的特征值；
2. 缺点
   ①逻辑回归需要预先处理缺失值和异常值；
   ②不能用Logistic回归去解决非线性问题，因为Logistic的决策面是线性的；
   ③对多重共线性数据过于敏感，且很难处理数据不平衡的问题；
   ④准确率并非很高，因为形式非常简单，很难去拟合数据的真实分布；

2、决策树模型

1. 优点

①简单直观，生成的决策树可以可视化展示
②数据不需要预处理，不需要归一化，不需要处理缺失数据<