Python數(shù)據(jù)建模及模型優(yōu)化實(shí)戰(zhàn)（金融版）
發(fā)布時(shí)間:2025-02-07 10:00:59
講師：傅一航 瀏覽次數(shù)：2901
課程描述INTRODUCTION
· 總經(jīng)理· 高層管理者· 中層領(lǐng)導(dǎo)
培訓(xùn)講師：傅一航
課程價(jià)格：￥元/人
培訓(xùn)天數(shù)：3天
日程安排SCHEDULE
課程大綱Syllabus
Python數(shù)據(jù)建模課程
【課程目標(biāo)】
本課程專(zhuān)注于金融行業(yè)的數(shù)據(jù)建模，包括客戶(hù)行為預(yù)測(cè)模型，風(fēng)控識(shí)別與風(fēng)控預(yù)測(cè)模型，面向數(shù)據(jù)分析部等專(zhuān)門(mén)負(fù)責(zé)數(shù)據(jù)分析與建模的人士。
本課程的主要目的是，培養(yǎng)學(xué)員的大數(shù)據(jù)意識(shí)和大數(shù)據(jù)思維，掌握常用的數(shù)據(jù)分析方法和數(shù)據(jù)分析模型，并能夠用于對(duì)客戶(hù)行為作分析和預(yù)測(cè)，提升學(xué)員的數(shù)據(jù)分析綜合能力。
通過(guò)本課程的學(xué)習(xí)，達(dá)到如下目的：
1、 掌握數(shù)據(jù)分析和數(shù)據(jù)建模的基本過(guò)程和步驟
2、 掌握數(shù)據(jù)分析框架的搭建，及常用分析方法
3、 掌握業(yè)務(wù)的影響因素分析常用的方法
4、 掌握常用客戶(hù)行為預(yù)測(cè)模型，包括邏輯回歸、決策樹(shù)、神經(jīng)網(wǎng)絡(luò)等等
5、 掌握模型優(yōu)化的思路及措施，包括特征優(yōu)化、超參優(yōu)化、集成優(yōu)化等
6、 掌握金融行業(yè)信用評(píng)分卡模型，構(gòu)建信用評(píng)分模型
本課程突出數(shù)據(jù)挖掘的實(shí)際應(yīng)用，結(jié)合行業(yè)的典型應(yīng)用特點(diǎn)，從實(shí)際問(wèn)題入手，引出相關(guān)知識(shí)，進(jìn)行大數(shù)據(jù)的收集與處理；探索數(shù)據(jù)之間的規(guī)律及關(guān)聯(lián)性，幫助學(xué)員掌握系統(tǒng)的數(shù)據(jù)預(yù)處理方法；介紹常用的模型，訓(xùn)練模型，并優(yōu)化模型，以達(dá)到最優(yōu)分析結(jié)果。
【授課對(duì)象】
風(fēng)險(xiǎn)控制部、金融科技部、IT系統(tǒng)部、數(shù)據(jù)分析部等對(duì)數(shù)據(jù)建模有較高要求的相關(guān)領(lǐng)域人員。
【課程大綱】
第一部分： 數(shù)據(jù)分析基礎(chǔ)—流程步驟篇
目的：掌握數(shù)據(jù)分析基本步驟和過(guò)程，學(xué)會(huì)如何構(gòu)造數(shù)據(jù)分析框架
1、 數(shù)據(jù)決策的三個(gè)關(guān)鍵環(huán)節(jié)
業(yè)務(wù)數(shù)據(jù)化：將業(yè)務(wù)問(wèn)題轉(zhuǎn)化為數(shù)據(jù)問(wèn)題
數(shù)據(jù)信息化：提取數(shù)據(jù)中的業(yè)務(wù)規(guī)律信息
信息策略化：基于規(guī)律形成業(yè)務(wù)應(yīng)對(duì)策略
2、 數(shù)據(jù)分析的六步曲
步驟1：明確目的--理清思路
步驟2：數(shù)據(jù)收集—理清思路
步驟3：數(shù)據(jù)預(yù)處理—尋找答案
步驟4：數(shù)據(jù)分析--尋找答案
步驟5：數(shù)據(jù)展示--觀點(diǎn)表達(dá)
步驟6：報(bào)表撰寫(xiě)--觀點(diǎn)表達(dá)
第二部分： 數(shù)據(jù)分析框架—業(yè)務(wù)模型篇
1、 數(shù)據(jù)分析思路來(lái)源于業(yè)務(wù)模型
2、 分析框架來(lái)源于業(yè)務(wù)模型
商業(yè)目標(biāo)（粗粒度）
分析維度/關(guān)鍵步驟
業(yè)務(wù)問(wèn)題（細(xì)粒度）
涉及數(shù)據(jù)/關(guān)鍵指標(biāo)
3、 常用的業(yè)務(wù)模型：PEST/5W2H/SWOT/PDCA/AARRR…
案例：搭建精準(zhǔn)營(yíng)銷(xiāo)的分析框架(6R)
如何尋找目標(biāo)客戶(hù)群
如何匹配合適的產(chǎn)品
如何確定推薦的*時(shí)機(jī)
如何判斷合理的價(jià)格
案例：搭建用戶(hù)購(gòu)買(mǎi)行為分析框架(5W2H)
第三部分： 探索性分析法—統(tǒng)計(jì)分析篇
問(wèn)題：數(shù)據(jù)分析方法的種類(lèi)？分析方法的不同應(yīng)用場(chǎng)景？
1、 業(yè)務(wù)分析的三個(gè)階段
現(xiàn)狀分析：通過(guò)企業(yè)運(yùn)營(yíng)指標(biāo)來(lái)發(fā)現(xiàn)規(guī)律及短板
原因分析：查找數(shù)據(jù)相關(guān)性，探尋目標(biāo)影響因素
預(yù)測(cè)分析：合理配置資源，預(yù)判業(yè)務(wù)未來(lái)的趨勢(shì)
2、 常用的數(shù)據(jù)分析方法五大種類(lèi)
3、 統(tǒng)計(jì)分析基礎(chǔ)（類(lèi)別à指標(biāo)）
4、 描述性分析法（現(xiàn)狀分析）
對(duì)比分析（查看數(shù)據(jù)差距，發(fā)現(xiàn)事物變化）
演練：分析理財(cái)產(chǎn)品受歡迎情況及貢獻(xiàn)大小
演練：用戶(hù)消費(fèi)水平差異分析，提取優(yōu)質(zhì)客戶(hù)特征
分布分析（查看數(shù)據(jù)分布，探索業(yè)務(wù)層次）
案例：銀行用戶(hù)的消費(fèi)層次/消費(fèi)檔次分析
演練：客戶(hù)年齡分布/收入分布分析
結(jié)構(gòu)分析（查看指標(biāo)構(gòu)成，評(píng)估結(jié)構(gòu)合理性）
案例：收入結(jié)構(gòu)分析/成本結(jié)構(gòu)分析
案例：動(dòng)態(tài)結(jié)構(gòu)分析
趨勢(shì)分析（查看變化趨勢(shì)，了解季節(jié)周期性）
案例：營(yíng)業(yè)廳客流量規(guī)律與排班
案例：用戶(hù)活躍時(shí)間規(guī)律/產(chǎn)品銷(xiāo)量的淡旺季分析
演練：產(chǎn)品訂單的季節(jié)周期性規(guī)律
5、 相關(guān)性分析（原因分析）
相關(guān)分析（衡量?jī)勺兞块g的相關(guān)程度，三種相關(guān)系數(shù)）
方差分析（判斷影響目標(biāo)變量的關(guān)鍵要素，適用場(chǎng)景）
卡方檢驗(yàn)（從多個(gè)維度的數(shù)據(jù)指標(biāo)分析）
演練：不同客戶(hù)的產(chǎn)品偏好分析
演練：銀行用戶(hù)違約的影響因素分析
第四部分： 用戶(hù)風(fēng)險(xiǎn)識(shí)別—異常數(shù)據(jù)篇
1、 反欺詐識(shí)別的重點(diǎn)內(nèi)容
如何識(shí)別異常數(shù)據(jù)
如何查找影響因素
如何提取欺詐用戶(hù)的特征
如何預(yù)測(cè)用戶(hù)的欺詐行為
2、 異常數(shù)據(jù)的定義
3、 異常數(shù)據(jù)的檢測(cè)方法
基于統(tǒng)計(jì)法：標(biāo)準(zhǔn)差法、四分位距法、離群點(diǎn)檢測(cè)算法
基于機(jī)器學(xué)習(xí)：回歸、聚類(lèi)等
4、 異常數(shù)據(jù)處理方法
演練：各種異常數(shù)據(jù)識(shí)別
第五部分： 影響因素分析—根因分析篇
問(wèn)題：如何做原因分析？比如價(jià)格是否可用于產(chǎn)品銷(xiāo)量？影響用戶(hù)違約的關(guān)鍵因素是什么？
1、 數(shù)據(jù)預(yù)處理vs特征工程
2、 常用特征選擇方法
相關(guān)分析、方差分析、卡方檢驗(yàn)
3、 相關(guān)分析（衡量?jī)蓴?shù)據(jù)型變量的線(xiàn)性相關(guān)性）
相關(guān)分析簡(jiǎn)介
相關(guān)分析的應(yīng)用場(chǎng)景
相關(guān)分析的種類(lèi)
簡(jiǎn)單相關(guān)分析
偏相關(guān)分析
距離相關(guān)分析
相關(guān)系數(shù)的三種計(jì)算公式
Pearson相關(guān)系數(shù)
Spearman相關(guān)系數(shù)
Kendall相關(guān)系數(shù)
相關(guān)分析的假設(shè)檢驗(yàn)
相關(guān)分析的四個(gè)基本步驟
演練：營(yíng)銷(xiāo)費(fèi)用會(huì)影響銷(xiāo)售額嗎？影響程度如何量化？
演練：哪些因素與產(chǎn)品銷(xiāo)量有顯著的相關(guān)性
演練：影響用戶(hù)消費(fèi)水平的因素會(huì)有哪些
偏相關(guān)分析
偏相關(guān)原理：排除不可控因素后的兩變量的相關(guān)性
偏相關(guān)系數(shù)的計(jì)算公式
偏相關(guān)分析的適用場(chǎng)景
4、 方差分析（衡量類(lèi)別變量與數(shù)值變量間的相關(guān)性）
方差分析的應(yīng)用場(chǎng)景
方差分析的三個(gè)種類(lèi)
單因素方差分析
多因素方差分析
協(xié)方差分析
單因素方差分析的原理
方差分析的四個(gè)步驟
解讀方差分析結(jié)果的兩個(gè)要點(diǎn)
案例：擺放位置與銷(xiāo)量有關(guān)嗎
演練：客戶(hù)學(xué)歷對(duì)消費(fèi)水平的影響分析
多因素方差分析原理
多因素方差分析的作用
多因素方差結(jié)果的解讀
案例：廣告形式、地區(qū)對(duì)銷(xiāo)售額的影響因素分析
演練：銷(xiāo)售員的性別、技能級(jí)別對(duì)銷(xiāo)量有影響嗎
協(xié)方差分析原理
協(xié)方差分析的適用場(chǎng)景
演練：排除用戶(hù)收入，其余哪些因素對(duì)銷(xiāo)量有顯著影響？
5、 列聯(lián)分析/卡方檢驗(yàn)（兩類(lèi)別變量的相關(guān)性分析）
交叉表與列聯(lián)表：計(jì)數(shù)值與期望值
卡方檢驗(yàn)的原理
卡方檢驗(yàn)的幾個(gè)計(jì)算公式
列聯(lián)表分析的適用場(chǎng)景
案例：產(chǎn)品類(lèi)型對(duì)客戶(hù)流失的影響分析
案例：用戶(hù)學(xué)歷對(duì)產(chǎn)品類(lèi)型偏好的影響分析
研討：行業(yè)/規(guī)模對(duì)風(fēng)控的影響分析
第六部分： 數(shù)據(jù)建模過(guò)程—建模步驟篇
1、 預(yù)測(cè)建模六步法
選擇模型：基于業(yè)務(wù)選擇恰當(dāng)?shù)臄?shù)據(jù)模型
特征工程：選擇對(duì)目標(biāo)變量有顯著影響的屬性來(lái)建模
訓(xùn)練模型：采用合適的算法對(duì)模型進(jìn)行訓(xùn)練，尋找到最優(yōu)參數(shù)
評(píng)估模型：進(jìn)行評(píng)估模型的質(zhì)量，判斷模型是否可用
優(yōu)化模型：如果評(píng)估結(jié)果不理想，則需要對(duì)模型進(jìn)行優(yōu)化
應(yīng)用模型：如果評(píng)估結(jié)果滿(mǎn)足要求，則可應(yīng)用模型于業(yè)務(wù)場(chǎng)景
2、 數(shù)據(jù)挖掘常用的模型
定量預(yù)測(cè)模型：回歸預(yù)測(cè)、時(shí)序預(yù)測(cè)等
定性預(yù)測(cè)模型：邏輯回歸、決策樹(shù)、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等
市場(chǎng)細(xì)分：聚類(lèi)、RFM、PCA等
產(chǎn)品推薦：關(guān)聯(lián)分析、協(xié)同過(guò)濾等
產(chǎn)品優(yōu)化：回歸、隨機(jī)效用等
產(chǎn)品定價(jià)：定價(jià)策略/最優(yōu)定價(jià)等
3、 特征工程/特征選擇/變量降維
基于變量本身特征
基于相關(guān)性判斷
因子合并（PCA等）
IV值篩選（評(píng)分卡使用）
基于信息增益判斷（決策樹(shù)使用）
4、 模型評(píng)估
模型質(zhì)量評(píng)估指標(biāo)：R^2、正確率/查全率/查準(zhǔn)率/特異性等
預(yù)測(cè)值評(píng)估指標(biāo)：MAD、MSE/RMSE、MAPE、概率等
模型評(píng)估方法：留出法、K拆交叉驗(yàn)證、自助法等
其它評(píng)估：過(guò)擬合評(píng)估、殘差檢驗(yàn)
5、 模型優(yōu)化
優(yōu)化模型：選擇新模型/修改模型
優(yōu)化數(shù)據(jù)：新增顯著自變量
優(yōu)化公式：采用新的計(jì)算公式
集成思想：Bagging/Boosting/Stacking
6、 常用預(yù)測(cè)模型介紹：回歸、時(shí)序、分類(lèi)
第七部分： 客戶(hù)行為預(yù)測(cè)—分類(lèi)模型篇
問(wèn)題：如何評(píng)估客戶(hù)購(gòu)買(mǎi)產(chǎn)品的可能性？如何預(yù)測(cè)客戶(hù)的購(gòu)買(mǎi)行為？如何提取某類(lèi)客戶(hù)的典型特征？如何向客戶(hù)精準(zhǔn)推薦產(chǎn)品或業(yè)務(wù)？
1、 分類(lèi)模型概述及其應(yīng)用場(chǎng)景
2、 常見(jiàn)分類(lèi)預(yù)測(cè)模型
3、 邏輯回歸（LR）
邏輯回歸的適用場(chǎng)景
邏輯回歸的模型原理
邏輯回歸分類(lèi)的幾何意義
邏輯回歸的種類(lèi)：二項(xiàng)、多項(xiàng)
如何解讀邏輯回歸方程
邏輯回歸算法的實(shí)現(xiàn)及優(yōu)化
迭代樣本的隨機(jī)選擇
變化的學(xué)習(xí)率
邏輯回歸+正則項(xiàng)
求解算法與懲罰項(xiàng)的互斥有關(guān)系
帶分類(lèi)自變量的邏輯回歸分析
多項(xiàng)邏輯回歸/多分類(lèi)邏輯回歸
ovo, ovr
案例：用sklearn庫(kù)實(shí)現(xiàn)銀行貸款違約預(yù)測(cè)
案例：訂閱者用戶(hù)的典型特征（二元邏輯回歸）
案例：通信套餐的用戶(hù)畫(huà)像（多元邏輯回歸）
4、 分類(lèi)決策樹(shù)（DT）
問(wèn)題：如何預(yù)測(cè)客戶(hù)行為？如何識(shí)別潛在客戶(hù)？
風(fēng)控：如何識(shí)別欠貸者的特征，以及預(yù)測(cè)欠貸概率？
客戶(hù)保有：如何識(shí)別流失客戶(hù)特征，以及預(yù)測(cè)客戶(hù)流失概率？
決策樹(shù)分類(lèi)簡(jiǎn)介
演練：識(shí)別銀行欠貨風(fēng)險(xiǎn)，提取欠貸者的特征
決策樹(shù)分類(lèi)的幾何意義
決策樹(shù)算法（三個(gè)關(guān)鍵問(wèn)題）
如何選擇*屬性來(lái)構(gòu)建節(jié)點(diǎn)：熵/基尼系數(shù)、信息增益
如何分裂變量：多元/二元?jiǎng)澐?、最?yōu)切割點(diǎn)
修剪決策樹(shù)：剪枝原則、預(yù)剪枝與后剪枝
決策樹(shù)的解讀
決策樹(shù)的超參優(yōu)化
案例：商場(chǎng)用戶(hù)的典型特征提取
案例：客戶(hù)流失預(yù)警與客戶(hù)挽留
案例：識(shí)別拖欠銀行貨款者的特征，避免不良貨款
多分類(lèi)決策樹(shù)
案例：識(shí)別不同理財(cái)客戶(hù)的典型特征，實(shí)現(xiàn)精準(zhǔn)推薦
5、 人工神經(jīng)網(wǎng)絡(luò)（ANN）
神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
神經(jīng)網(wǎng)絡(luò)基本原理
加法器，激活函數(shù)
神經(jīng)網(wǎng)絡(luò)分類(lèi)的幾何意義
神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
隱藏層數(shù)量
神經(jīng)元個(gè)數(shù)
神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)算法
案例：評(píng)估銀行用戶(hù)拖欠貨款的概率
6、 支持向量機(jī)（SVM）
SVM基本原理
線(xiàn)性可分問(wèn)題：*邊界超平面
線(xiàn)性不可分問(wèn)題：特征空間的轉(zhuǎn)換
維災(zāi)難與核函數(shù)
第八部分： 客戶(hù)行為預(yù)測(cè)—模型評(píng)估篇
1、 三個(gè)方面評(píng)估：指標(biāo)、方法、過(guò)擬合
2、 兩大矩陣
混淆矩陣
代價(jià)矩陣
3、 六大指標(biāo)
正確率Accuracy
查準(zhǔn)率Precision
查全率Recall
特異度Specify
F度量值（/）
提升指標(biāo)lift
4、 三條曲線(xiàn)
ROC曲線(xiàn)和AUC
PR曲線(xiàn)和BEP
KS曲線(xiàn)和KS值
5、 多分類(lèi)模型評(píng)估指標(biāo)
宏指標(biāo)：macro_P, macro_R
宏指標(biāo)：micro_P, micro_R
6、 模型評(píng)估方法
原始評(píng)估法
留出法（Hold-Out）
交叉驗(yàn)證法（k-fold cross validation）
自助采樣法（Bootstrapping）
7、 其它評(píng)估
過(guò)擬合評(píng)估：學(xué)習(xí)曲線(xiàn)
模型差異性評(píng)估
殘差評(píng)估：白噪聲評(píng)估
第九部分： 預(yù)測(cè)模型優(yōu)化—超參優(yōu)化篇
1、 模型優(yōu)化的三大方向
超參優(yōu)化
特征工程
集成優(yōu)化
2、 超參優(yōu)化的方法比較
交叉驗(yàn)證類(lèi)（RidgeCV/LassoCV/LogisticRegressionCV/…）
網(wǎng)格搜索GridSearchCV
隨機(jī)搜索RandomizedSearchCV
貝葉斯搜索BayesSearchCV
3、 超參調(diào)優(yōu)策略
第十部分： 預(yù)測(cè)模型優(yōu)化—特征工程篇
1、 數(shù)據(jù)清洗技巧
異常數(shù)據(jù)的處理方式
缺失值的填充方式
不同填充方式對(duì)模型效果的影響
2、 降維的兩大方式：特征選擇和因子合并
3、 特征選擇的模式
基于變量本身的重要性篩選
Filter式（特征選擇與模型分離）
Wrapper式（利用模型結(jié)果進(jìn)行特征選擇）
embedded式（模型自帶特征重要性評(píng)估）
確定特征選擇的變量個(gè)數(shù)
案例：客戶(hù)流失預(yù)測(cè)的特征選擇
4、 因子合并（將多數(shù)變量合并成少數(shù)幾個(gè)因子）
因子分析（FactorAnalysis）：原理、適用場(chǎng)景、載荷矩陣
主成份分析PCA：原理、幾何含義、擴(kuò)展KernelCA/ICA/…
案例：汽車(chē)油效預(yù)測(cè)
5、 變量變換
為何需要變量變換
因變量變換對(duì)模型質(zhì)量的影響
特征標(biāo)準(zhǔn)化：作用、不同模型對(duì)標(biāo)準(zhǔn)化的要求、不同標(biāo)準(zhǔn)化對(duì)模型的影響
其它變換：正態(tài)化、正則化等
6、 變量派生：基于業(yè)務(wù)經(jīng)驗(yàn)的派生、多項(xiàng)式派生
7、 特征工程的管道實(shí)現(xiàn)
管道類(lèi)Pipeline
列轉(zhuǎn)換類(lèi)ColumnTransformer
特征合并類(lèi)FeatureUnion
第十一部分： 預(yù)測(cè)模型優(yōu)化—集成優(yōu)化篇
1、 模型的優(yōu)化思路
2、 集成算法基本原理
單獨(dú)構(gòu)建多個(gè)弱分類(lèi)器
多個(gè)弱分類(lèi)器組合投票，決定預(yù)測(cè)結(jié)果
3、 集成方法的種類(lèi)：Bagging、Boosting、Stacking
4、 Bagging集成：隨機(jī)森林RF
數(shù)據(jù)/屬性重抽樣
決策依據(jù)：少數(shù)服從多數(shù)
5、 Boosting集成：AdaBoost模型
基于誤分?jǐn)?shù)據(jù)建模
樣本選擇權(quán)重更新公式
決策依據(jù)：加權(quán)投票
6、 高級(jí)模型介紹與實(shí)現(xiàn)
GBDT梯度提升決策樹(shù)
XGBoost
LightGBM
第十二部分： XGBoost模型詳解及優(yōu)化
1、 基本參數(shù)配置
框架基本參數(shù): n_estimators, objective
性能相關(guān)參數(shù): learning_rate
模型復(fù)雜度參數(shù):max_depth,min_child_weight,gamma
生長(zhǎng)策略參數(shù): grow_policy, tree_method, max_bin
隨機(jī)性參數(shù)：subsample,colsample_bytree
正則項(xiàng)參數(shù):reg_alpha,reg_lambda
樣本不均衡參數(shù): scale_pos_weight
2、 早期停止與基類(lèi)個(gè)數(shù)優(yōu)化（n_estimators、early_stopping_rounds）
3、 樣本不平衡處理
欠抽樣與過(guò)抽樣
scale_pos_weight= neg_num/pos_num
4、 XGBoost模型欠擬合優(yōu)化措施
增維，派生新特征
非線(xiàn)性檢驗(yàn)
相互作用檢驗(yàn)
降噪，剔除噪聲數(shù)據(jù)
剔除不顯著影響因素
剔除預(yù)測(cè)離群值（僅回歸）
多重共線(xiàn)性檢驗(yàn)（僅回歸）
變量變換
自變量標(biāo)準(zhǔn)化
殘差項(xiàng)檢驗(yàn)與因變量變換
增加樹(shù)的深度與復(fù)雜度
增大max_depth
減小min_child_weight, gamma等
禁止正則項(xiàng)生效
5、 特征重要性評(píng)估與自動(dòng)特征選擇
6、 超參優(yōu)化策略：
分組調(diào)參：參數(shù)分組分別調(diào)優(yōu)
分層調(diào)參：先粗調(diào)再細(xì)調(diào)
7、 XGBoost模型過(guò)擬合優(yōu)化措施
降維，減少特征數(shù)量
限制樹(shù)的深度和復(fù)雜度
減小max_depth
增大min_child_weight，gamma等
采用dart模型來(lái)控制過(guò)擬合(引入dropout技術(shù))
啟用正則項(xiàng)懲罰:reg_alpha,reg_lambda等
啟用隨機(jī)采樣:subsample,colsample_bytree等
8、 Stacking模式：XGBoost+LR、XGBoost+RF等
9、 XGBoost的優(yōu)化模型：LightGBM
第十三部分： 銀行客戶(hù)信用卡模型
1、 信用評(píng)分卡模型簡(jiǎn)介
2、 評(píng)分卡的關(guān)鍵問(wèn)題
3、 信用評(píng)分卡建立過(guò)程
篩選重要屬性
數(shù)據(jù)集轉(zhuǎn)化
建立分類(lèi)模型
計(jì)算屬性分值
確定審批閾值
4、 篩選重要屬性
屬性分段
基本概念：WOE、IV
屬性重要性評(píng)估
5、 數(shù)據(jù)集轉(zhuǎn)化
連續(xù)屬性最優(yōu)分段
計(jì)算屬性取值的WOE
6、 建立分類(lèi)模型
訓(xùn)練邏輯回歸模型
評(píng)估模型
得到字段系數(shù)
7、 計(jì)算屬性分值
計(jì)算補(bǔ)償與刻度值
計(jì)算各字段得分
生成評(píng)分卡
8、 確定審批閾值
畫(huà)K-S曲線(xiàn)
計(jì)算K-S值
獲取最優(yōu)閾值
案例：構(gòu)建銀行小額貸款的用戶(hù)信用模型
第十四部分： 數(shù)據(jù)建模實(shí)戰(zhàn)篇
1、 電信業(yè)客戶(hù)流失預(yù)警和客戶(hù)挽留模型實(shí)戰(zhàn)
2、 銀行欠貸風(fēng)險(xiǎn)預(yù)測(cè)模型實(shí)戰(zhàn)
3、 銀行信用卡評(píng)分模型實(shí)戰(zhàn)
結(jié)束：課程總結(jié)與問(wèn)題答疑。
Python數(shù)據(jù)建模課程
轉(zhuǎn)載：http://www.cticoncepts.com/gkk_detail/317090.html
已開(kāi)課時(shí)間Have start time
- 傅一航
[僅限會(huì)員]
IT相關(guān)內(nèi)訓(xùn)
- Java企業(yè)級(jí)后臺(tái)開(kāi)發(fā) 郭振杰
- 前沿信息技術(shù)解析與應(yīng)用創(chuàng)新 張世民
- 數(shù)據(jù)庫(kù)基礎(chǔ)及實(shí)操（MySQ 郭振杰
- 自智網(wǎng)絡(luò) 楓影
- Mysql基礎(chǔ)使用 郭振杰
- 業(yè)務(wù)與IT融合創(chuàng)新的方法與 李福東
- SQL語(yǔ)句基礎(chǔ)使用 郭振杰
- 金融科技賦能業(yè)務(wù) 李福東
- Python基礎(chǔ)與基礎(chǔ)應(yīng)用 郭振杰
- Java微服務(wù)開(kāi)發(fā) 郭振杰
- 6G技術(shù)與發(fā)展趨勢(shì) 楓影
- IPA應(yīng)用實(shí)戰(zhàn) 郭振杰