Python金融大数据风控建模实战：基于机器学习
￥ 44.44 3.7折 ￥ 119 九五品
仅1件
作者王青天孔越
出版社机械工业出版社
ISBN9787111655794
出版时间2020-06
版次1
装帧平装
开本16开
纸张胶版纸
定价119元
上书时间2024-12-07
商品详情
- 品相描述：九五品
- 商品描述
-
基本信息
书名:Python金融大数据风控建模实战：基于机器学习
定价：119.00元
作者:王青天孔越
出版社：机械工业出版社
出版日期：2020-06-01
ISBN：9787111655794
字数：
页码：
版次：
装帧：平装
开本：16开
商品重量：
编辑推荐
内容提要
本书的定位是一本Python金融大数据风控建模的入门级读物。全书包括4篇：背景篇旨在由浅入深地引领读者走进金融科技领域，了解智能风控，系统、全面地认识评分卡；基础篇围绕评分卡构建的全流程，向读者一一讲述每个环节的理论知识，随之进行代码实践，帮助读者获得从0至1构建评分卡模型的工程能力；进阶篇旨在从建模中可能遇到问题出发，提供一些问题解决或模型提升的思路，使建立的评分卡具有更好的业务适应及预测能力；实战篇结合真实信贷场景的数据集，带领读者完成从数据分析至评分卡生成的各个流程，旨在让读者体验真实场景，具备评分卡实战能力，亦可作为读者实际工作中构建评分卡的参考。本书适合有一定Python语言基础的金融风控相关技术人员阅读，也适合想要了解人工智能如何在金融场景应用的开发及业务人员。另外，也适合专业培训机构的学员和相关专业的学生。
目录
前言篇 智能风控背景章 金融科技介绍21.1 金融科技的前世今生21.2 金融科技正深刻地改变和塑造着金融业态41.3 新兴科技不断强化金融科技的应用能力51.4 金融风险控制面临着的挑战71.5 智能风控和评分卡81.6 评分卡模型的开发流程11第2章 机器学习介绍172.1 机器学习的概念172.2 机器学习的分类172.2.1 有监督学习182.2.2 无监督学习182.2.3 强化学习192.3 机器学习与人工智能的关系202.4 机器学习与数学的关系202.5 机器学习与深度学习22第3章 评分卡模型介绍253.1 申请评分卡253.1.1 数据获取263.1.2 好坏样本定义263.1.3 观察期与表现期确定293.1.4 样本分层323.1.5 数据清洗与预处理333.1.6 特征工程333.1.7 模型训练与优化353.2 行为评分卡363.2.1 数据获取373.2.2 时间窗口373.2.3 特征工程383.3 催收评分卡403.3.1 催收评分卡分类403.3.2 催收策略413.4 反欺诈模型423.4.1 欺诈风险与信用风险比较423.4.2 欺诈模型好坏样本定义433.4.3 欺诈主体分析443.4.4 反欺诈方法介绍44第2篇 评分卡理论与实战基础第4章 数据清洗与预处理484.1 数据集成494.2 数据清洗504.3 探索性数据分析524.4 Python代码实践544.4.1 数据集成544.4.2 数据清洗584.4.3 探索性数据分析61第5章 变量编码方法665.1 无监督编码665.1.1 One-hot编码665.1.2 Dummy variable编码685.1.3 Label编码695.2 有监督编码705.2.1 WOE编码705.2.2 WOE编码与One-hot编码比较735.3 Python代码实践755.3.1 One-hot编码765.3.2 Dummy variable编码805.3.3 Label编码825.3.4 WOE编码85第6章 变量分箱方法896.1 变量分箱流程916.2 Chi-merge卡方分箱方法926.3 Best-KS分箱方法946.4 IV分箱方法956.5 基于树的分箱方法956.6 Python代码实践986.6.1 Chi-merge分箱986.6.2 IV分箱1066.6.3 基于树的分箱107第7章 变量选择1097.1 过滤法变量选择1097.2 包装法变量选择1127.3 嵌入法变量选择1137.4 Python代码实践1157.4.1 过滤法变量选择1157.4.2 包装法变量选择1187.4.3 嵌入法变量选择120第8章 Logistic回归模型1238.1 Logistic回归模型原理1238.2 过拟合与欠拟合1288.3 Python代码实践130第9章 模型的评估指标1369.1 正负样本的选择1379.2 标准评估指标1399.3 概率密度评估指标1419.4 概率分布评估指标1449.5 Python代码实践1530章 评分卡分数转化15710.1 由概率到分数的转换15710.2 变量的分值计算15910.3 评分卡性能评估16110.4 Python代码实践1631章 模型在线监控16911.1 稳定性监控16911.2 单调性监控17211.3 性能监控指标17311.4 Python代码实践174第3篇 评分卡理论与实战进阶2章 样本不均衡处理18012.1 数据层下采样样本不均衡的处理方法18112.1.1 随机下采样方法18112.1.2 样本邻域选择的下采样方法18212.1.3 样本邻域清理的下采样方法18412.1.4 Bagging集成的下采样方法18512.1.5 Boosting集成的下采样方法18712.2 数据层上采样样本不均衡的处理方法18812.2.1 随机上采样方法18812.2.2 SMOTE样本生成方法18912.2.3 Borderline-SMOTE样本生成方法19012.3 算法层样本不均衡的处理方法19012.4 模型评估层样本不均衡的处理方法19112.5 Python代码实践19112.5.1 数据层下采样样本不均衡处理代码实现19212.5.2 数据层上采样样本不均衡处理代码实现2013章 特征工程进阶20613.1 数据层特征工程20613.2 算法层特征工程21113.2.1 基于树模型的特征生成21113.2.2 FM特征交叉21513.3 Python代码实践21913.3.1 数据层特征工程代码实现21913.3.2 算法层特征工程代码实现2224章 决策树模型22914.1 决策树模型的原理22914.2 决策树学习22914.3 决策树与过拟合23414.4 Python代码实践2365章 神经网络模型24115.1 神经元模型24115.2 神经网络的网络结构24215.3 神经网络的学习策略24715.4 Python代码实践2536章 支持向量机模型25716.1 感知器模型25716.1.1 感知器模型的原理25716.1.2 感知器与支持向量机模型26016.2 线性可分支持向量机26116.3 线性支持向量机26716.4 非线性支持向量机27216.5 感知器相关模型比较27816.6 Python代码实践28016.6.1 线性支持向量机模型代码实现28016.6.2 非线性支持向量机模型代码实现2827章 集成学习28617.1 Bagging与Boosting对比28617.2 Random Forest模型原理28817.3 Adaboost模型原理28917.4 GBDT模型原理29217.5 Xgboost模型原理29717.6 Python代码实践30417.6.1 Random Forest模型30417.6.2 Adaboost模型30817.6.3 GBDT模型31017.6.4 Xgboost模型3138章
作者介绍
序言
-
【封面】
相关推荐
-
Python金融大数据风控建模实战
全新保定
￥ 74.97
-
Python金融大数据风控建模实战
全新北京
￥ 69.02
-
Python金融大数据风控建模实战9787111655794
全新保定
￥ 65.45
-
Python金融大数据风控建模实战：基于机器学习
九品北京
￥ 33.42
-
Python金融大数据风控建模实战：基于机器学习
九品北京
￥ 34.42
-
Python金融大数据风控建模实战：基于机器学习
九五品廊坊
￥ 40.09
-
Python金融大数据风控建模实战：基于机器学习
九品北京
￥ 34.76
-
Python金融大数据风控建模实战：基于机器学习
八品成都
￥ 28.80
-
Python金融大数据风控建模实战：基于机器学习
八五品孝感
￥ 32.65
-
Python金融大数据风控建模实战：基于机器学习
九品武汉
￥ 38.00
— 没有更多了 —
以下为对购买帮助不大的评价