前言
第1章 風控建模與規則挖掘 / 1
1.1 信貸與風險 / 1
1.1.1 信貸業務與互聯網金融風控體係 / 1
1.1.2 信貸風險與控製 / 4
1.2 工業建模流程 / 5
1.2.1 抽象業務 / 6
1.2.2 定義標簽 / 6
1.2.3 樣本選取 / 7
1.2.4 特徵工程與模型調優 / 9
1.2.5 上綫監控與評估報錶 / 10
1.3 規則挖掘方案 / 13
1.4 本章小結 / 20
第2章 集成模型評分卡 / 21
2.1 特徵工程解析 / 21
2.1.1 特徵與模型 / 22
2.1.2 信用模型的特徵 / 22
2.2 特徵衍生方案 / 24
2.3 離散處理 / 27
2.3.1 one-hot編碼 / 27
2.3.2 WOE編碼 / 28
2.4 迭代特徵篩選方案 / 33
2.5 自動化調參 / 38
2.5.1 自動化調參策略 / 38
2.5.2 參數搜索方案 / 39
2.5.3 調參框架搭建 / 40
2.6 遞歸特徵刪除方案 / 43
2.7 評分卡製作 / 44
2.7.1 邏輯迴歸評分卡 / 45
2.7.2 集成模型的評分映射 / 55
2.7.3 針對業務改寫評價函數 / 59
2.8 本章小結 / 60
第3章 遷移學習與冷啓動 / 61
3.1 遷移學習基礎 / 61
3.1.1 應用場景 / 62
3.1.2 概念介紹 / 62
3.2 遷移學習方法論 / 63
3.2.1 三類常見算法 / 63
3.2.2 遷移的實現方法 / 64
3.3 少量有標簽樣本的遷移方案 / 65
3.3.1 TrAdaBoost模型 / 65
3.3.2 跨場景遷移模型 / 67
3.4 無標簽樣本遷移之JDA / 76
3.4.1 JDA模型 / 76
3.4.2 模型應用 / 79
3.5 無標簽樣本遷移之DTELM / 80
3.5.1 ELM模型 / 81
3.5.2 DTELM模型 / 82
3.5.3 模型應用 / 84
3.6 遷移樣本篩選方案 / 88
3.6.1 背景介紹 / 88
3.6.2 算法框架概覽 / 88
3.6.3 搭建融閤框架 / 89
3.7 本章小結 / 93
第4章 幸存者偏差 / 95
4.1 幸存者偏差的含義 / 95
4.2 增量學習 / 96
4.3 生成對抗網絡 / 97
4.3.1 GAN模型介紹 / 98
4.3.2 GAN與幸存者偏差 / 99
4.4 高斯混閤模型 / 100
4.4.1 GMM算法原理 / 101
4.4.2 GMM簡單應用 / 103
4.4.3 GMM中的概率模型 / 104
4.4.4 GMM樣本生成 / 107
4.5 信息準則 / 110
4.5.1 赤池信息準則 / 110
4.5.2 貝葉斯信息準則 / 111
4.5.3 AIC與BIC比較 / 111
4.6 本章小結 / 112
第5章 不均衡學習 / 113
5.1 樣本不均衡 / 113
5.2 代價敏感加權方案 / 114
5.3 插值過采樣方案 / 115
5.3.1 SMOTE算法 / 115
5.3.2 過采樣算法實踐 / 116
5.4 半監督學習方案 / 121
5.4.1 前提假設 / 122
5.4.2 S3VM / 122
5.4.3 LP / 127
5.5 本章小結 / 130
第6章 異常檢測 / 132
6.1 離群點與欺詐檢測 / 133
6.2 z-score檢驗 / 134
6.3 LOF異常檢測法 / 134
6.3.1 原理與算法流程 / 135
6.3.2 LOF樣本清洗方案 / 137
6.4 IF異常檢測法 / 139
6.4.1 原理與算法流程 / 139
6.4.2 PreA模型與冷啓動 / 141
6.5 本章小結 / 144
第7章 模型優化 / 145
7.1 多損失函數分段預測 / 145
7.1.1 兩種損失函數 / 146
7.1.2 融閤流程 / 146
7.2 樹模型特徵衍生 / 149
7.2.1 GBDT離散化 / 149
7.2.2 融閤方案詳解 / 150
7.2.3 特徵衍生細節 / 151
7.2.4 案例 / 151
7.3 時間序列建模 / 160
7.3.1 RNN / 160
7.3.2 LSTM / 163
7.3.3 門控結構 / 164
7.3.4 LSTM行為評分卡案例 / 166
7.4 高維稀疏數據建模 / 170
7.4.1 算法原理 / 171
7.4.2 算法應用 / 172
7.5 模型融閤 / 173
7.5.1 模型融閤基礎 / 173
7.5.2 模型篩選 / 174
7.5.3 業務應用方案 / 181
7.6 本章小結 / 183
第8章 知識圖譜 / 184
8.1 復雜網絡基礎 / 184
8.2 中心度與相似性 / 187
8.3 節點分類 / 193
8.3.1 樸素節點分類 / 193
8.3.2 鄰節點加權投票 / 195
8.3.3 一緻性標簽傳播 / 197
8.4 社區發現算法 / 200
8.4.1 基礎概念 / 200
8.4.2 Girvan-Newman算法 / 201
8.4.3 Louvain算法 / 202
8.4.4 社區評估 / 204
8.5 網絡錶示學習 / 206
8.5.1 矩陣分解 / 207
8.5.2 節點嵌入 / 210
8.6 圖捲積神經網絡 / 215
8.6.1 捲積神經網絡 / 215
8.6.2 傅裏葉變換 / 217
8.6.3 拉普拉斯算子 / 219
8.6.4 GCN中的圖捲積 / 221
8.7 本章小結 / 225
參考文獻 / 226
· · · · · · (收起)
具體描述
內容介紹
本書基於Python全麵介紹瞭機器學習在信貸風控領域的應用與實踐，從原理、算法與工程實踐3個維度全麵展開，包含21種實用算法和26個解決方案。
作者是智能風控、人工智能和算法領域的資深專傢，曾在多加知名金融科技企業從事風控算法方麵的研究與實踐，經驗豐富，本書得到瞭風控領域9位專傢的高度評價。
全書一共8章，每個章節都由問題、算法、案例三部分組成，具有係統性和實戰性。
第1-2章講解瞭信貸業務的基礎知識以及常用的規則引擎、信用評估引擎的建模方法。
第3章以項目冷啓動為背景，講解瞭風控領域應用廣泛的遷移學習方法。
第4-5章介紹瞭幸存者偏差與不均衡學習中所使用的無監督學習與半監督學習方法。
第6章闡述瞭無監督的異常識彆算法，該算法常用於數據清洗與冷啓動項目，是反欺詐引擎中常用的個體欺詐檢測方法。
第7章分享瞭一些經作者實踐證明效果較好的模型優化方法，並對模型融閤的思路進行瞭較為詳細的介紹。
第8章重點講解瞭知識圖譜相關的復雜網絡基礎知識及網絡錶示學習方法，其中的社區發現算法常用於團夥欺詐檢測。此外，本章中的部分方法對信用評估模型的優化也有很大幫助。
用戶評價
##相比於市麵上海量的濫竽充數的機器學習書，這本書是相當有良心的瞭。
評分##一般般，看瞭兩本風控的書。內容大同小異。都不夠深入，大多內容博客上都有，缺少實操經驗和沉澱
評分##感覺像博客拼接，特彆後半段，講又講不清楚，頭疼
評分##數據集呢數據集呢數據集呢數據集呢 看著代碼憑空想象可纍死我瞭
評分##數據集呢數據集呢數據集呢數據集呢 看著代碼憑空想象可纍死我瞭
評分##相比於市麵上海量的濫竽充數的機器學習書，這本書是相當有良心的瞭。
評分##相比於市麵上海量的濫竽充數的機器學習書，這本書是相當有良心的瞭。
評分##相比於市麵上海量的濫竽充數的機器學習書，這本書是相當有良心的瞭。
評分##資深從業者寫的，有乾貨
相關圖書
本站所有內容均為互聯網搜尋引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2025 windowsfront.com All Rights Reserved. 靜流書站 版權所有