智能風控：原理 算法與工程實踐 下載 mobi epub pdf 電子書 在線閱讀 2026

想要找書就要到 圖書大百科

立刻按 ctrl+D 收藏本頁

你會得到大驚喜!!

推薦序
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)