金融风控-贷款违约预测-训练营 - Task4
作者：互联网
金融风控-贷款违约预测-训练营 - Task4
一、 学习知识点概要
- 金融分控领域常用的机器学习模型
- 机器学习模型的建模过程与调参流程
二、学习内容
2.1 在金融分控领域常用的机器学习模型
2.1.1 逻辑回归模型
2.1.2 决策树模型
- 给的那篇缺了一些背景介绍，于是找了它的前篇
决策树
2.1.3 GBDT模型
2.1.4 XGBoost模型
2.1.5 LightGBM模型
2.1.6 Catboost模型
2.1.7 时间序列模型
2.2 集成模型与性能评估
2.2.1 集成模型
2.2.2 数据集划分
- 留出法
- 交叉验证法
- 自助法
数据集划分总结
对于数据量充足的时候，通常采用留出法或者k折交叉验证法来进行训练/测试集的划分；
对于数据集小且难以有效划分训练/测试集时使用自助法；
对于数据集小且可有效划分的时候最好使用留一法来进行划分，因为这种方法最为准确
2.2.3 性能评估
- 使用AUC作为模型评价标准
2.3 机器学习模型的建模过程与调参流程
2.3.1 贪心调参方法
- 先使用当前对模型影响最大的参数进行调优，达到当前参数下的模型最优化，再使用对模型影响次之的参数进行调优，如此下去，直到所有的参数调整完毕。
2.3.2 网格调参方法
2.3.3 贝叶斯调参方法
- 给定优化的目标函数(广义的函数，只需指定输入和输出即可，无需知道内部结构以及数学性质)，通过不断地添加样本点来更新目标函数的后验分布(高斯过程,直到后验分布基本贴合于真实分布）。简单的说，就是考虑了上一次参数的信息，从而更好的调整当前的参数。
三、学习问题与解答
- 各调参方法的区别和对比
一些常用建模调参方法的总结
四、学习思考与总结
- 总结下来，学的模型有些晦涩难懂，有点抽象，但是也不是没有收获，在查找资料的时候也发现了一些比较形象简单的，比较合适阅读
- 模型与模型之间并不是独立的，某个模型可能是在另外一个模型上改进得来然后适用不同的应用领域
标签：Task4,调参,训练营,风控,参数,2.3,2.2,2.1,模型 来源： https://blog.csdn.net/weixin_47789143/article/details/116208758