智能風控：原理、算法與工程實踐

定　價：￥89.00

作　者：	梅子行著
出版社：	機械工業(yè)出版社
叢編項：	金融科技
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111643531	出版時間：	2020-01-01	包裝：	平裝
開本：	16開	頁數(shù)：	240	字數(shù)：

內(nèi)容簡介

　　內(nèi)容介紹本書基于Python全面介紹了機器學習在信貸風控領(lǐng)域的應用與實踐，從原理、算法與工程實踐3個維度全面展開，包含21種實用算法和26個解決方案。作者是智能風控、人工智能和算法領(lǐng)域的資深專家，曾在多加知名金融科技企業(yè)從事風控算法方面的研究與實踐，經(jīng)驗豐富，本書得到了風控領(lǐng)域9位專家的高度評價。全書一共8章，每個章節(jié)都由問題、算法、案例三部分組成，具有系統(tǒng)性和實戰(zhàn)性。第1-2章講解了信貸業(yè)務的基礎(chǔ)知識以及常用的規(guī)則引擎、信用評估引擎的建模方法。第3章以項目冷啟動為背景，講解了風控領(lǐng)域應用廣泛的遷移學習方法。第4-5章介紹了幸存者偏差與不均衡學習中所使用的無監(jiān)督學習與半監(jiān)督學習方法。第6章闡述了無監(jiān)督的異常識別算法，該算法常用于數(shù)據(jù)清洗與冷啟動項目，是反欺詐引擎中常用的個體欺詐檢測方法。第7章分享了一些經(jīng)作者實踐證明效果較好的模型優(yōu)化方法，并對模型融合的思路進行了較為詳細的介紹。第8章重點講解了知識圖譜相關(guān)的復雜網(wǎng)絡基礎(chǔ)知識及網(wǎng)絡表示學習方法，其中的社區(qū)發(fā)現(xiàn)算法常用于團伙欺詐檢測。此外，本章中的部分方法對信用評估模型的優(yōu)化也有很大幫助。

作者簡介

　　作者介紹梅子行風控技術(shù)專家、AI技術(shù)專家和算法專家，現(xiàn)就職于滿幫科技，負責機器學習在風控領(lǐng)域的算法優(yōu)化。歷任多家知名金融科技公司的風控算法研究員、數(shù)據(jù)挖掘工程師。師承Experian、Discover等企業(yè)的風控專家，擅長深度學習、復雜網(wǎng)絡、遷移學習、異常檢測等非傳統(tǒng)機器學習方法，熱衷于數(shù)據(jù)挖掘以及算法的跨領(lǐng)域優(yōu)化實踐。公眾號與知乎專欄：“大數(shù)據(jù)風控與機器學習”。

圖書目錄

推薦序
前言
第1章　風控建模與規(guī)則挖掘　/ 1
1.1　信貸與風險　/ 1
1.1.1　信貸業(yè)務與互聯(lián)網(wǎng)金融風控體系　/ 1
1.1.2　信貸風險與控制　/ 4
1.2　工業(yè)建模流程　/ 5
1.2.1　抽象業(yè)務　/ 6
1.2.2　定義標簽　/ 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)控與評估報表　/ 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　自動化調(diào)參　/ 38
2.5.1　自動化調(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　評分卡制作　/ 44
2.7.1　邏輯回歸評分卡　/ 45
2.7.2　集成模型的評分映射　/ 55
2.7.3　針對業(yè)務改寫評價函數(shù)　/ 59
2.8　本章小結(jié)　/ 60
第3章　遷移學習與冷啟動　/ 61
3.1　遷移學習基礎(chǔ)　/ 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(xiàn)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　增量學習　/ 96
4.3　生成對抗網(wǎng)絡　/ 97
4.3.1　GAN模型介紹　/ 98
4.3.2　GAN與幸存者偏差　/ 99
4.4　高斯混合模型　/ 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(jié)　/ 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(quán)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(jiān)督學習方案　/ 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　/ 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模型與冷啟動　/ 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)分段預測　/ 145
7.1.1　兩種損失函數(shù)　/ 146
7.1.2　融合流程　/ 146
7.2　樹模型特征衍生　/ 149
7.2.1　GBDT離散化　/ 149
7.2.2　融合方案詳解　/ 150
7.2.3　特征衍生細節(jié)　/ 151
7.2.4　案例　/ 151
7.3　時間序列建?！? 160
7.3.1　RNN　/ 160
7.3.2　LSTM　/ 163
7.3.3　門控結(jié)構(gòu)　/ 164
7.3.4　LSTM行為評分卡案例　/ 166
7.4　高維稀疏數(shù)據(jù)建?！? 170
7.4.1　算法原理　/ 171
7.4.2　算法應用　/ 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)務應用方案　/ 181
7.6　本章小結(jié)　/ 183
第8章　知識圖譜　/ 184
8.1　復雜網(wǎng)絡基礎(chǔ)　/ 184
8.2　中心度與相似性　/ 187
8.3　節(jié)點分類　/ 193
8.3.1　樸素節(jié)點分類　/ 193
8.3.2　鄰節(jié)點加權(quán)投票　/ 195
8.3.3　一致性標簽傳播　/ 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)評估　/ 204
8.5　網(wǎng)絡表示學習　/ 206
8.5.1　矩陣分解　/ 207
8.5.2　節(jié)點嵌入　/ 210
8.6　圖卷積神經(jīng)網(wǎng)絡　/ 215
8.6.1　卷積神經(jīng)網(wǎng)絡　/ 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　/ 226