Python金融大數據風控建模實戰(zhàn)：基于機器學習

定　價：￥119.00

作　者：	王青天，孔越
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥119.00)

ISBN：	9787111655794	出版時間：	2020-06-01	包裝：
開本：	16開	頁數：	363	字數：

內容簡介

　　《Python金融大數據風控建模實戰(zhàn)：基于機器學習》是一本基于Python語言的金融大數據風控建模入門讀物。書中結合人工智能領域流行的機器學習算法進行信用評分卡模型構建，從而解決金融領域核心的風險控制問題?！禤ython金融大數據風控建模實戰(zhàn)：基于機器學習》共19章，分為4篇。第1篇“智能風控背景”，旨在由淺入深地代領讀者走進金融科技領域，帶領他們了解智能風控的相關知識，并全面、系統(tǒng)地認識評分卡；第2篇“評分卡理論與實戰(zhàn)基礎”，圍繞評分卡構建的完整流程，向讀者一一講述每個環(huán)節(jié)的理論知識，并進行代碼實踐，幫助讀者獲得從0到1構建評分卡模型的工程能力；第3篇“評分卡理論與實戰(zhàn)進階”，旨在從建模中可能遇到的問題出發(fā)，提供一些解決問題或提升模型效果的思路，使建立的評分卡具有更好的業(yè)務適應能力及預測能力；第4篇“Lending Club數據集實戰(zhàn)”，結合真實信貸場景的數據集，帶領讀者完成從數據分析到評分卡生成的各個流程，旨在讓讀者體驗真實的場景，掌握評分卡實戰(zhàn)技能，同時為讀者在實際工作中構建評分卡提供參考。《Python金融大數據風控建模實戰(zhàn)：基于機器學習》適合有一定Python語言基礎的金融風控從業(yè)人員閱讀，也適合想要學習人工智能如何應用于金融場景中的開發(fā)人員及業(yè)務人員閱讀。另外，金融、計算機等相關專業(yè)的學生，以及金融科技從業(yè)人員及相關培訓學員也可將該書作為教材或者興趣讀物閱讀。

作者簡介

　　王青天，碩士，曾任某互聯網金融公司機器學習研究工程師，從事風控建模工作。對機器學習、風控建模、工業(yè)互聯網等方向有濃厚的興趣和廣泛的研究?？自剑┦?，曾留學英國劍橋大學。涉獵金融風控和“AI+藥物研發(fā)”等多個人工智能應用領域。曾參與多項國家自然科學基金項目和歐洲科研基金項目，發(fā)表多篇SCI論文。

圖書目錄

前言
第1篇智能風控背景
第1章金融科技介紹
1．1 金融科技的前世今生
1．2 金融科技正深刻地改變和塑造著金融業(yè)態(tài)
1．3 新興科技不斷強化金融科技的應用能力
1．4 金融風險控制面臨著的挑戰(zhàn)
1．5 智能風控和評分卡
1．6 評分卡模型的開發(fā)流程
第2章機器學習介紹
2．1 機器學習的概念
2．2 機器學習的分類
2．2．1 有監(jiān)督學習
2．2．2 無監(jiān)督學習
2．2．3 強化學習
2．3 機器學習與人工智能的關系
2．4 機器學習與數學的關系
2．5 機器學習與深度學習
第3章評分卡模型介紹
3．1 申請評分卡
3．1．1 數據獲取
3．1．2 好壞樣本定義
3．1．3 觀察期與表現期確定
3．1．4 樣本分層
3．1．5 數據清洗與預處理
3．1．6 特征工程
3．1．7 模型訓練與優(yōu)化
3．2 行為評分卡
3．2．1 數據獲取
3．2．2 時間窗口
3．2．3 特征工程
3．3 催收評分卡
3．3．1 催收評分卡分類
3．3．2 催收策略
3．4 反欺詐模型
3．4．1 欺詐風險與信用風險比較
3．4．2 欺詐模型好壞樣本定義
3．4．3 欺詐主體分析
3．4．4 反欺詐方法介紹
第2篇評分卡理論與實戰(zhàn)基礎
第4章數據清洗與預處理
4．1 數據集成
4．2 數據清洗
4．3 探索性數據分析
4．4 Python代碼實踐
4．4．1 數據集成
4．4．2 數據清洗
4．4．3 探索性數據分析
第5章變量編碼方法
5．1 無監(jiān)督編碼
5．1．1 One-hot編碼
5．1．2 Dummy variable編碼
5．1．3 Label編碼
5．2 有監(jiān)督編碼
5．2．1 WOE編碼
5．2．2 WOE編碼與One-hot編碼比較
5．3 Python代碼實踐
5．3．1 One-hot編碼
5．3．2 Dummy variable編碼
5．3．3 Label編碼
5．3．4 WOE編碼
第6章變量分箱方法
6．1 變量分箱流程
6．2 優(yōu)Chi-merge卡方分箱方法
6．3 Best-KS分箱方法
6．4 優(yōu)IV分箱方法
6．5 基于樹的優(yōu)分箱方法
6．6 Python代碼實踐
6．6．1 優(yōu)Chi-merge分箱
6．6．2 優(yōu)IV分箱
6．6．3 基于樹的分箱
第7章變量選擇
7．1 過濾法變量選擇
7．2 包裝法變量選擇
7．3 嵌入法變量選擇
7．4 Python代碼實踐
7．4．1 過濾法變量選擇
7．4．2 包裝法變量選擇
7．4．3 嵌入法變量選擇
第8章 Logistic回歸模型
8．1 Logistic回歸模型原理
8．2 過擬合與欠擬合
8．3 Python代碼實踐
第9章模型的評估指標
9．1 正負樣本的選擇
9．2 標準評估指標
9．3 概率密度評估指標
9．4 概率分布評估指標
9．5 Python代碼實踐
第10章評分卡分數轉化
10．1 由概率到分數的轉換
10．2 變量的分值計算
10．3 評分卡性能評估
10．4 Python代碼實踐
第11章模型在線監(jiān)控
11．1 穩(wěn)定性監(jiān)控
11．2 單調性監(jiān)控
11．3 性能監(jiān)控指標
11．4 Python代碼實踐
第3篇評分卡理論與實戰(zhàn)進階
第12章樣本不均衡處理
12．1 數據層下采樣樣本不均衡的處理方法
12．1．1 隨機下采樣方法
12．1．2 樣本鄰域選擇的下采樣方法
12．1．3 樣本鄰域清理的下采樣方法
12．1．4 Bagging集成的下采樣方法
12．1．5 Boosting集成的下采樣方法
12．2 數據層上采樣樣本不均衡的處理方法
12．2．1 隨機上采樣方法
12．2．2 SMOTE樣本生成方法
12．2．3 Borderline-SMOTE樣本生成方法
12．3 算法層樣本不均衡的處理方法
12．4 模型評估層樣本不均衡的處理方法
12．5 Python代碼實踐
12．5．1 數據層下采樣樣本不均衡處理代碼實現
12．5．2 數據層上采樣樣本不均衡處理代碼實現
第13章特征工程進階
13．1 數據層特征工程
13．2 算法層特征工程
13．2．1 基于樹模型的特征生成
13．2．2 FM特征交
13．3 Python代碼實踐
13．3．1 數據層特征工程代碼實現
13．3．2 算法層特征工程代碼實現
第14章決策樹模型
14．1 決策樹模型的原理
14．2 決策樹學習
14．3 決策樹與過擬合
14．4 Python代碼實踐
第15章神經網絡模型
15．1 神經元模型
15．2 神經網絡的網絡結構
15．3 神經網絡的學習策略
15．4 Python代碼實踐
第16章支持向量機模型
16．1 感知器模型
16．1．1 感知器模型的原理
16．1．2 感知器與支持向量機模型
16．2 線性可分支持向量機
16．3 線性支持向量機
16．4 非線性支持向量機
16．5 感知器相關模型比較
16．6 Python代碼實踐
16．6．1 線性支持向量機模型代碼實現
16．6．2 非線性支持向量機模型代碼實現
第17章集成學習
17．1 Bagging與Boosting對比
17．2 Random Forest模型原理
17．3 Adaboost模型原理
17．4 GBDT模型原理
17．5 Xgboost模型原理
17．6 Python代碼實踐
17．6．1 Random Forest模型
17．6．2 Adaboost模型
17．6．3 GBDT模型
17．6．4 Xgboost模型
第18章模型融合
18．1 Blending方法原理
18．2 Stacking方法原理
18．3 Python代碼實踐
18．3．1 Blending模型融合代碼實現
18．3．2 Stacking模型融合代碼實現
第4篇 Lending Club數據集實戰(zhàn)
第19章完整的模型開發(fā)實現
19．1 數據源介紹
19．2 數據的獲取與預處理
19．2．1 數據準備
19．2．2 好壞樣本定義
19．2．3 數據清洗與預處理
19．3 特征工程
19．3．1 簡單的特征工程
19．3．2 變量分箱與編碼
19．3．3 變量選擇
19．4 模型構建與評估
19．4．1 模型構建與優(yōu)化
19．4．2 模型評估
19．5 評分卡生成
附錄A 主要符號表
附錄B 開發(fā)環(huán)境簡介
參考文獻