金融风控训练营TASK01学习笔记

学习知识点概要

• 混淆矩阵（Confuse Matrix）
• 准确率（Accuracy）
• 精确率（Precision）
• 召回率（Recall）
• F1 Score
• P-R曲线（Precision-Recall Curve）
• ROC（Receiver Operating Characteristic）
• TPR
• FPR
• AUC（Area Under Curve）
• KS（Kolmogorov-Smirnov）

学习内容

1、评估指标

AUC(area Under Curve)
其中，AUC有两方面的含义：

• AUC只反映模型对正负样本排序能力的强弱，对score的大小和精度没有要求。
• AUC越高，模型排序能力越强。理论上，当模型把所有正样本都排在负样本之前时，AUC为1.0，是理论的最大值。

# AUC在sklearn中的工具调用以及使用
import numpy as np
from sklearn.metrics import roc_auc_score

y_true=np.array([0,0,1,1])
y_scores=np.array([0.1,0.4,0.35,0.8])

roc_auc_score(y_true,y_scores)

2、数据下载

在官网的赛题与数据那一栏就可以看到这三个文件，点击下载按钮即可。

3、比赛流程

学习问题与解答

今天学习的东西除了关于比赛的一些操作和理论，更多的是学习在CSDN如何编辑博客（笑哭），以前一直在看一些大神的文章，有那么一瞬也想过自己要不也来写写，但是很快就被自己脑袋里面另一个小人“劝退”了，今天在打卡的同时顺便也学习如何编辑一篇博客，算是无意中踏出了第一步吧，在这个比赛结束后，就算没有学到什么数据挖掘的硬核知识，好歹也学到了怎样写博客了（bushi，顺便提一下，要是这里能用表情就好了。。。

学习思考与总结

今天就算是正式开始数据分析与挖掘之旅了，我本人也是一直纠结该不该来参加这个比赛，毕竟自己不是属于这个方向的，这个月在生活上的事情也格外的多且杂。但是总要给自己一点压力的，我不知道以后能不能从事这方面相关的工作，现在既然有兴趣，那就趁自己还在学校多学一点是一点吧。今天的task1还是属于理解赛题的阶段，了解了比赛的评估指标和数据特征，之后的数据分析与可视化，也就是EDA就是task2的工作了。那task1就到这吧，第一次写文章就是第一次来技术大圈CSDN，脑子一片空白。。。唉，加油，打工人！