Python信用評分模型及模型優(yōu)化實戰(zhàn)
發(fā)布時間:2025-02-07 09:58:07
講師：傅一航 瀏覽次數(shù)：29
課程描述INTRODUCTION
· 高層管理者· 中層領(lǐng)導(dǎo)· 新晉主管· 儲備干部
培訓(xùn)講師：傅一航
課程價格：￥元/人
培訓(xùn)天數(shù)：2天
日程安排SCHEDULE
課程大綱Syllabus
Python信用課程
【課程目標(biāo)】
本課程專注于金融行業(yè)的數(shù)據(jù)建模，包括客戶行為預(yù)測模型、風(fēng)控識別與風(fēng)控預(yù)測模型、信用評分模型等，面向數(shù)據(jù)分析部等專門負(fù)責(zé)數(shù)據(jù)分析與建模的人士。
本課程的主要目的是，培養(yǎng)學(xué)員的大數(shù)據(jù)意識和大數(shù)據(jù)思維，掌握常用的數(shù)據(jù)分析方法和數(shù)據(jù)分析模型，并能夠用于對客戶行為作分析和預(yù)測，提升學(xué)員的數(shù)據(jù)分析綜合能力。
通過本課程的學(xué)習(xí)，達(dá)到如下目的：
1、 掌握數(shù)據(jù)分析和數(shù)據(jù)建模的基本過程和步驟
2、 掌握數(shù)據(jù)分析框架的搭建，及常用分析方法
3、 掌握業(yè)務(wù)的影響因素分析常用的方法
4、 掌握常用客戶行為預(yù)測模型，包括邏輯回歸、決策樹、神經(jīng)網(wǎng)絡(luò)等等
5、 掌握模型優(yōu)化的思路及措施，包括特征優(yōu)化、超參優(yōu)化、集成優(yōu)化等
6、 掌握金融行業(yè)信用評分卡模型，構(gòu)建信用評分模型
本課程突出數(shù)據(jù)挖掘的實際應(yīng)用，結(jié)合行業(yè)的典型應(yīng)用特點，從實際問題入手，引出相關(guān)知識，進行大數(shù)據(jù)的收集與處理；探索數(shù)據(jù)之間的規(guī)律及關(guān)聯(lián)性，幫助學(xué)員掌握系統(tǒng)的數(shù)據(jù)預(yù)處理方法；介紹常用的模型，訓(xùn)練模型，并優(yōu)化模型，以達(dá)到最優(yōu)分析結(jié)果。
【授課對象】
風(fēng)險控制部、金融科技部、IT系統(tǒng)部、數(shù)據(jù)分析部等對數(shù)據(jù)建模有較高要求的相關(guān)領(lǐng)域人員。
【課程大綱】
第一部分： 數(shù)據(jù)分析基礎(chǔ)
目的：掌握數(shù)據(jù)分析基本步驟和過程，學(xué)會如何構(gòu)造數(shù)據(jù)分析框架
1、 數(shù)據(jù)決策的三個關(guān)鍵環(huán)節(jié)
業(yè)務(wù)數(shù)據(jù)化：將業(yè)務(wù)問題轉(zhuǎn)化為數(shù)據(jù)問題
數(shù)據(jù)信息化：提取數(shù)據(jù)中的業(yè)務(wù)規(guī)律信息
信息策略化：基于規(guī)律形成業(yè)務(wù)應(yīng)對策略
2、 數(shù)據(jù)分析的六步曲
步驟1：明確目的--理清思路
步驟2：數(shù)據(jù)收集—理清思路
步驟3：數(shù)據(jù)預(yù)處理—尋找答案
步驟4：數(shù)據(jù)分析--尋找答案
步驟5：數(shù)據(jù)展示--觀點表達(dá)
步驟6：報表撰寫--觀點表達(dá)
第二部分： 搭建業(yè)務(wù)分析框架
1、 數(shù)據(jù)分析思路來源于業(yè)務(wù)模型
2、 分析框架來源于業(yè)務(wù)模型
商業(yè)目標(biāo)（粗粒度）
分析維度/關(guān)鍵步驟
業(yè)務(wù)問題（細(xì)粒度）
涉及數(shù)據(jù)/關(guān)鍵指標(biāo)
案例：搭建精準(zhǔn)營銷的分析框架(6R)
如何尋找目標(biāo)客戶群
如何匹配合適的產(chǎn)品
如何確定推薦的*時機
如何判斷合理的價格
案例：搭建用戶購買行為分析框架(5W2H)
3、 信用評估需要采集的數(shù)據(jù)
身份信息、認(rèn)證數(shù)據(jù)、
消費數(shù)據(jù)、行為數(shù)據(jù)、
社交數(shù)據(jù)、設(shè)備數(shù)據(jù)、
金融數(shù)據(jù)、
第三部分： 數(shù)據(jù)建模步驟
1、 預(yù)測建模六步法
2、 選擇模型
基于業(yè)務(wù)選擇恰當(dāng)?shù)臄?shù)據(jù)模型
常見模型簡介
3、 特征工程
選擇對目標(biāo)變量有顯著影響的屬性來建模
降維的兩種方式：特征選擇、因子合并
4、 訓(xùn)練模型
采用合適的算法對模型進行訓(xùn)練，尋找到最優(yōu)參數(shù)
常用模型原理
5、 評估模型
進行評估模型的質(zhì)量，判斷模型是否可用
評估指標(biāo)、評估方法
6、 優(yōu)化模型
如果評估結(jié)果不理想，則需要對模型進行優(yōu)化
7、 應(yīng)用模型
如果評估結(jié)果滿足要求，則可應(yīng)用模型于業(yè)務(wù)場景
第四部分： 銀行客戶信用卡模型
1、 信用評分卡模型簡介
2、 評分卡的關(guān)鍵問題
3、 信用評分卡建立過程
篩選重要屬性
數(shù)據(jù)集轉(zhuǎn)化
建立分類模型
計算屬性分值
確定審批閾值
4、 篩選重要屬性
屬性分段
基本概念：WOE、IV
屬性重要性評估
5、 數(shù)據(jù)集轉(zhuǎn)化
連續(xù)屬性最優(yōu)分段
計算屬性取值的WOE
6、 建立分類模型
訓(xùn)練邏輯回歸模型
評估模型
得到字段系數(shù)
7、 計算屬性分值
計算補償與刻度值
計算各字段得分
生成評分卡
8、 確定審批閾值
畫K-S曲線
計算K-S值
獲取最優(yōu)閾值
案例：構(gòu)建銀行小額貸款的用戶信用模型
9、 信用評分卡的優(yōu)化方向
改變屬性重要性評估方法
采用其他更精準(zhǔn)的模型，如決策樹、神經(jīng)網(wǎng)絡(luò)、集成模型等
第五部分： 其他分類預(yù)測模型
問題：如何評估客戶購買產(chǎn)品的可能性？如何預(yù)測客戶的購買行為？如何提取某類客戶的典型特征？如何向客戶精準(zhǔn)推薦產(chǎn)品或業(yè)務(wù)？
1、 分類模型概述及其應(yīng)用場景
2、 常見分類預(yù)測模型
3、 邏輯回歸（LR）
邏輯回歸的適用場景
邏輯回歸的模型原理
邏輯回歸分類的幾何意義
邏輯回歸的種類：二項、多項
如何解讀邏輯回歸方程
邏輯回歸算法的實現(xiàn)及優(yōu)化
迭代樣本的隨機選擇
變化的學(xué)習(xí)率
邏輯回歸+正則項
求解算法與懲罰項的互斥有關(guān)系
帶分類自變量的邏輯回歸分析
多項邏輯回歸/多分類邏輯回歸
ovo, ovr
案例：用sklearn庫實現(xiàn)銀行貸款違約預(yù)測
案例：訂閱者用戶的典型特征（二元邏輯回歸）
案例：通信套餐的用戶畫像（多元邏輯回歸）
4、 分類決策樹（DT）
問題：如何預(yù)測客戶行為？如何識別潛在客戶？
風(fēng)控：如何識別欠貸者的特征，以及預(yù)測欠貸概率？
客戶保有：如何識別流失客戶特征，以及預(yù)測客戶流失概率？
決策樹分類簡介
演練：識別銀行欠貨風(fēng)險，提取欠貸者的特征
決策樹分類的幾何意義
決策樹算法（三個關(guān)鍵問題）
如何選擇*屬性來構(gòu)建節(jié)點：熵/基尼系數(shù)、信息增益
如何分裂變量：多元/二元劃分、最優(yōu)切割點
修剪決策樹：剪枝原則、預(yù)剪枝與后剪枝
決策樹的解讀
決策樹的超參優(yōu)化
案例：商場用戶的典型特征提取
案例：客戶流失預(yù)警與客戶挽留
案例：識別拖欠銀行貨款者的特征，避免不良貨款
多分類決策樹
案例：識別不同理財客戶的典型特征，實現(xiàn)精準(zhǔn)推薦
5、 人工神經(jīng)網(wǎng)絡(luò)（ANN）
神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
神經(jīng)網(wǎng)絡(luò)基本原理
加法器，激活函數(shù)
神經(jīng)網(wǎng)絡(luò)分類的幾何意義
神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
隱藏層數(shù)量
神經(jīng)元個數(shù)
神經(jīng)網(wǎng)絡(luò)實現(xiàn)算法
案例：評估銀行用戶拖欠貨款的概率
第六部分： 模型超參優(yōu)化
1、 模型優(yōu)化的三大方向
超參優(yōu)化
特征工程
集成優(yōu)化
2、 超參優(yōu)化的方法比較
交叉驗證類（RidgeCV/LassoCV/LogisticRegressionCV/…）
網(wǎng)格搜索GridSearchCV
隨機搜索RandomizedSearchCV
貝葉斯搜索BayesSearchCV
3、 超參調(diào)優(yōu)策略
第七部分： 特征工程優(yōu)化
1、 數(shù)據(jù)清洗技巧
異常數(shù)據(jù)的處理方式
缺失值的填充方式
不同填充方式對模型效果的影響
2、 降維的兩大方式：特征選擇和因子合并
3、 特征選擇的模式
基于變量本身的重要性篩選
Filter式（特征選擇與模型分離）
Wrapper式（利用模型結(jié)果進行特征選擇）
embedded式（模型自帶特征重要性評估）
確定特征選擇的變量個數(shù)
案例：客戶流失預(yù)測的特征選擇
4、 因子合并（將多數(shù)變量合并成少數(shù)幾個因子）
因子分析（FactorAnalysis）：原理、適用場景、載荷矩陣
主成份分析PCA：原理、幾何含義、擴展KernelCA/ICA/…
案例：汽車油效預(yù)測
5、 變量變換
為何需要變量變換
因變量變換對模型質(zhì)量的影響
特征標(biāo)準(zhǔn)化：作用、不同模型對標(biāo)準(zhǔn)化的要求、不同標(biāo)準(zhǔn)化對模型的影響
其它變換：正態(tài)化、正則化等
6、 變量派生：基于業(yè)務(wù)經(jīng)驗的派生、多項式派生
7、 特征工程的管道實現(xiàn)
管道類Pipeline
列轉(zhuǎn)換類ColumnTransformer
特征合并類FeatureUnion
第八部分： 集成算法優(yōu)化
1、 模型的優(yōu)化思路
2、 集成算法基本原理
單獨構(gòu)建多個弱分類器
多個弱分類器組合投票，決定預(yù)測結(jié)果
3、 集成方法的種類：Bagging、Boosting、Stacking
4、 Bagging集成：隨機森林RF
數(shù)據(jù)/屬性重抽樣
決策依據(jù)：少數(shù)服從多數(shù)
5、 Boosting集成：AdaBoost模型
基于誤分?jǐn)?shù)據(jù)建模
樣本選擇權(quán)重更新公式
決策依據(jù)：加權(quán)投票
6、 高級模型介紹與實現(xiàn)
GBDT梯度提升決策樹
XGBoost
LightGBM
結(jié)束：課程總結(jié)與問題答疑。
Python信用課程
轉(zhuǎn)載：http://szsxbj.com/gkk_detail/317089.html
已開課時間Have start time
- 傅一航
[僅限會員]