阿里云天池 金融风控 Task4-建模与调参

赛题：零基础入门数据挖掘 - 零基础入门金融风控之贷款违约预测

项目地址：https://github.com/datawhalechina/team-learning-data-mining/tree/master/FinancialRiskControl

比赛地址：https://tianchi.aliyun.com/competition/entrance/531830/introduction
目的：

• 学习在金融分控领域常用的机器学习模型
• 学习机器学习模型的建模过程与调参流程

学习内容概述：

1、lightgbm

学习内容：

参数解释：

params = {
            'boosting_type': 'gbdt',
            'objective': 'binary',
            'learning_rate': 0.1,
            'metric': 'auc',
            'min_child_weight': 1e-3,
            'num_leaves': 31,
            'max_depth': -1,
            'reg_lambda': 0,
            'reg_alpha': 0,
            'feature_fraction': 1,
            'bagging_fraction': 1,
            'bagging_freq': 0,
            'seed': 2020,
            'nthread': 8,
            'silent': True,
            'verbose': -1,
}

boosting_type ：‘gbdt’
learning_rate：学习率，初始状态建议选择较大的学习率，设置为0.1.
metric ： 评价指标
max_depth：每棵树的最大深度，防止过拟合。初始状态设置3~8。
num_leaves :每棵树的最多叶子数。
min_child_weight ：又称为min_sum_hessian_in_leaf，指要想建立一个叶子，该叶子需要提供的最小hessian值。这两个参数都是对新建叶子设置了门槛，可以降低叶子数量，减小过拟合。
feature_fraction：每次新建一棵树时，随机使用多少的特征。
bagging_fraction： 每次进行bagging时，随机使用多少的样本。
bagging_freq: 每建立多少棵树，就进行一次bagging。
reg_alpha ：L1正则化参数
reg_lambda ：L2正则化参数
silent ：默认选择True，选择False会输出很多建模中的细节，作用不大还刷屏。

模型介绍：

LightGBM模型

https://blog.csdn.net/wuzhongqiang/article/details/105350579

总结：

这一个task中，我主要学习了各种各样的模型，各个模型都很难，其中的内核，各种各样数学的公式比较难懂，需要通过慢慢的理解，以及通过函数的示例的学习，之后还需要继续研究。

标签：bagging,叶子,Task4,调参,模型,风控,学习,fraction,reg
来源： https://blog.csdn.net/weixin_47425428/article/details/116331142