智能風(fēng)控：原理、算法與工程實(shí)踐

推薦序
前言
第1章　風(fēng)控建模與規(guī)則挖掘　/ 1
1.1　信貸與風(fēng)險(xiǎn)　/ 1
1.1.1　信貸業(yè)務(wù)與互聯(lián)網(wǎng)金融風(fēng)控體系　/ 1
1.1.2　信貸風(fēng)險(xiǎn)與控制　/ 4
1.2　工業(yè)建模流程　/ 5
1.2.1　抽象業(yè)務(wù)　/ 6
1.2.2　定義標(biāo)簽　/ 6
1.2.3　樣本選取　/ 7
1.2.4　特征工程與模型調(diào)優(yōu)　/ 9
1.2.5　上線監(jiān)控與評(píng)估報(bào)表　/ 10
1.3　規(guī)則挖掘方案　/ 13
1.4　本章小結(jié)　/ 20
第2章　集成模型評(píng)分卡　/ 21
2.1　特征工程解析　/ 21
2.1.1　特征與模型　/ 22
2.1.2　信用模型的特征　/ 22
2.2　特征衍生方案　/ 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　迭代特征篩選方案　/ 33
2.5　自動(dòng)化調(diào)參　/ 38
2.5.1　自動(dòng)化調(diào)參策略　/ 38
2.5.2　參數(shù)搜索方案　/ 39
2.5.3　調(diào)參框架搭建　/ 40
2.6　遞歸特征刪除方案　/ 43
2.7　評(píng)分卡制作　/ 44
2.7.1　邏輯回歸評(píng)分卡　/ 45
2.7.2　集成模型的評(píng)分映射　/ 55
2.7.3　針對(duì)業(yè)務(wù)改寫(xiě)評(píng)價(jià)函數(shù)　/ 59
2.8　本章小結(jié)　/ 60
第3章　遷移學(xué)習(xí)與冷啟動(dòng)　/ 61
3.1　遷移學(xué)習(xí)基礎(chǔ)　/ 61
3.1.1　應(yīng)用場(chǎng)景　/ 62
3.1.2　概念介紹　/ 62
3.2　遷移學(xué)習(xí)方法論　/ 63
3.2.1　三類(lèi)常見(jiàn)算法　/ 63
3.2.2　遷移的實(shí)現(xiàn)方法　/ 64
3.3　少量有標(biāo)簽樣本的遷移方案　/ 65
3.3.1　TrAdaBoost模型　/ 65
3.3.2　跨場(chǎng)景遷移模型　/ 67
3.4　無(wú)標(biāo)簽樣本遷移之JDA　/ 76
3.4.1　JDA模型　/ 76
3.4.2　模型應(yīng)用　/ 79
3.5　無(wú)標(biāo)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(yīng)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　搭建融合框架　/ 89
3.7　本章小結(jié)　/ 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(xué)習(xí)　/ 96
4.3　生成對(duì)抗網(wǎng)絡(luò)　/ 97
4.3.1　GAN模型介紹　/ 98
4.3.2　GAN與幸存者偏差　/ 99
4.4　高斯混合模型　/ 100
4.4.1　GMM算法原理　/ 101
4.4.2　GMM簡(jiǎn)單應(yīng)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(zhǔn)則　/ 110
4.5.1　赤池信息準(zhǔn)則　/ 110
4.5.2　貝葉斯信息準(zhǔn)則　/ 111
4.5.3　AIC與BIC比較　/ 111
4.6　本章小結(jié)　/ 112
第5章　不均衡學(xué)習(xí)　/ 113
5.1　樣本不均衡　/ 113
5.2　代價(jià)敏感加權(quán)方案　/ 114
5.3　插值過(guò)采樣方案　/ 115
5.3.1　SMOTE算法　/ 115
5.3.2　過(guò)采樣算法實(shí)踐　/ 116
5.4　半監(jiān)督學(xué)習(xí)方案　/ 121
5.4.1　前提假設(shè)　/ 122
5.4.2　S3VM　/ 122
5.4.3　LP　/ 127
5.5　本章小結(jié)　/ 130
第6章　異常檢測(cè)　/ 132
6.1　離群點(diǎn)與欺詐檢測(cè)　/ 133
6.2　z-score檢驗(yàn)　/ 134
6.3　LOF異常檢測(cè)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(cè)法　/ 139
6.4.1　原理與算法流程　/ 139
6.4.2　PreA模型與冷啟動(dòng)　/ 141
6.5　本章小結(jié)　/ 144
第7章　模型優(yōu)化　/ 145
7.1　多損失函數(shù)分段預(yù)測(cè)　/ 145
7.1.1　兩種損失函數(shù)　/ 146
7.1.2　融合流程　/ 146
7.2　樹(shù)模型特征衍生　/ 149
7.2.1　GBDT離散化　/ 149
7.2.2　融合方案詳解　/ 150
7.2.3　特征衍生細(xì)節(jié)　/ 151
7.2.4　案例　/ 151
7.3　時(shí)間序列建?！? 160
7.3.1　RNN　/ 160
7.3.2　LSTM　/ 163
7.3.3　門(mén)控結(jié)構(gòu)　/ 164
7.3.4　LSTM行為評(píng)分卡案例　/ 166
7.4　高維稀疏數(shù)據(jù)建模　/ 170
7.4.1　算法原理　/ 171
7.4.2　算法應(yīng)用　/ 172
7.5　模型融合　/ 173
7.5.1　模型融合基礎(chǔ)　/ 173
7.5.2　模型篩選　/ 174
7.5.3　業(yè)務(wù)應(yīng)用方案　/ 181
7.6　本章小結(jié)　/ 183
第8章　知識(shí)圖譜　/ 184
8.1　復(fù)雜網(wǎng)絡(luò)基礎(chǔ)　/ 184
8.2　中心度與相似性　/ 187
8.3　節(jié)點(diǎn)分類(lèi)　/ 193
8.3.1　樸素節(jié)點(diǎn)分類(lèi)　/ 193
8.3.2　鄰節(jié)點(diǎn)加權(quán)投票　/ 195
8.3.3　一致性標(biāo)簽傳播　/ 197
8.4　社區(qū)發(fā)現(xiàn)算法　/ 200
8.4.1　基礎(chǔ)概念　/ 200
8.4.2　Girvan-Newman算法　/ 201
8.4.3　Louvain算法　/ 202
8.4.4　社區(qū)評(píng)估　/ 204
8.5　網(wǎng)絡(luò)表示學(xué)習(xí)　/ 206
8.5.1　矩陣分解　/ 207
8.5.2　節(jié)點(diǎn)嵌入　/ 210
8.6　圖卷積神經(jīng)網(wǎng)絡(luò)　/ 215
8.6.1　卷積神經(jīng)網(wǎng)絡(luò)　/ 215
8.6.2　傅里葉變換　/ 217
8.6.3　拉普拉斯算子　/ 219
8.6.4　GCN中的圖卷積　/ 221
8.7　本章小結(jié)　/ 225
參考文獻(xiàn)　/ 226