金融评分卡项目—3.流失预警模型中的数据预处理与特征衍生

---

• 金融评分卡项目—2.银行客户流失预警模型介绍（单因子与多因子分析）
• 金融评分卡项目—4.GBDT模型在流失预警模型中的应用
• 金融评分卡项目—5.神经网络模型在银行业客户流失预警模型中的应用—MLP

---

引言

  以下部分完整代码见Github：https://github.com/Libra-1023/data-mining/blob/master/Bank_customer_churn/outlier_missingvalues_date_process.ipynb

一、极端值的处理

  极端值又称为离群值，往往会扭曲预测结果会影响模型精度。回归模型中离群值的影响尤其大，使用该模型我们需要先对其进行监测和处理。

1.极端值（异常值）监测的重要性

• 需要自己判断极端值对建模的影响，并结合实际问题选取处理方法
• 检测极端值的重要性：由于极端值的存在，模型的估计和预测可能会有很大的偏差和变化
• 可以选择对极端值不敏感的模型，例如KNN，决策树

案例如下：
  通过可视化发现，