当前位置:主页 > 书籍配套资源 > Python配套资源
《Python金融大数据风控建模实战:基于机器学习》源码

《Python金融大数据风控建模实战:基于机器学习》源码

  • 更新:2022-01-22
  • 大小:17.6 MB
  • 类别:Python
  • 作者:王青天、孔越
  • 出版:机械工业出版社
  • 格式:PDF

  • 资源介绍
  • 学习心得
  • 相关内容

为网友们分享了Python类书籍配套资源,介绍了关于Python、金融大数据、机器学习、源码、Python方面的内容,本书是由机械工业出版社出版,已被675人关注,由常天元测试纠错,目前本书在Python类综合评分为:8.4分。

书籍介绍

Python金融大数据风控建模实战:基于机器学习》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。

封面图

目录

  • 前言
  • 第1篇 智能风控背景
  • 第1章 金融科技介绍2
  • 1.1 金融科技的前世今生2
  • 1.2 金融科技正深刻地改变和塑造着金融业态4
  • 1.3 新兴科技不断强化金融科技的应用能力5
  • 1.4 金融风险控制面临着前所未有的挑战7
  • 1.5 智能风控和评分卡8
  • 1.6 评分卡模型的开发流程11
  • 第2章 机器学习介绍17
  • 2.1 机器学习的概念17
  • 2.2 机器学习的分类17
  • 2.2.1 有监督学习18
  • 2.2.2 无监督学习18
  • 2.2.3 强化学习19
  • 2.3 机器学习与人工智能的关系20
  • 2.4 机器学习与数学的关系20
  • 2.5 机器学习与深度学习22
  • 第3章 评分卡模型介绍25
  • 3.1 申请评分卡25
  • 3.1.1 数据获取26
  • 3.1.2 好坏样本定义26
  • 3.1.3 观察期与表现期确定29
  • 3.1.4 样本分层32
  • 3.1.5 数据清洗与预处理33
  • 3.1.6 特征工程33
  • 3.1.7 模型训练与优化35
  • 3.2 行为评分卡36
  • 3.2.1 数据获取37
  • 3.2.2 时间窗口37
  • 3.2.3 特征工程38
  • 3.3 催收评分卡40
  • 3.3.1 催收评分卡分类40
  • 3.3.2 催收策略41
  • 3.4 反欺诈模型42
  • 3.4.1 欺诈风险与信用风险比较42
  • 3.4.2 欺诈模型好坏样本定义43
  • 3.4.3 欺诈主体分析44
  • 3.4.4 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48
  • 4.1 数据集成49
  • 4.2 数据清洗50
  • 4.3 探索性数据分析52
  • 4.4 Python代码实践54
  • 4.4.1 数据集成54
  • 4.4.2 数据清洗58
  • 4.4.3 探索性数据分析61
  • 第5章 变量编码方法66
  • 5.1 无监督编码66
  • 5.1.1 One-hot编码66
  • 5.1.2 Dummy variable编码68
  • 5.1.3 Label编码69
  • 5.2 有监督编码70
  • 5.2.1 WOE编码70
  • 5.2.2 WOE编码与One-hot编码比较73
  • 5.3 Python代码实践75
  • 5.3.1 One-hot编码76
  • 5.3.2 Dummy variable编码80
  • 5.3.3 Label编码82
  • 5.3.4 WOE编码85
  • 第6章 变量分箱方法89
  • 6.1 变量分箱流程91
  • 6.2 最优Chi-merge卡方分箱方法92
  • 6.3 Best-KS分箱方法94
  • 6.4 最优IV分箱方法95
  • 6.5 基于树的最优分箱方法95
  • 6.6 Python代码实践98
  • 6.6.1 最优Chi-merge分箱98
  • 6.6.2 最优IV分箱106
  • 6.6.3 基于树的分箱107
  • 第7章 变量选择109
  • 7.1 过滤法变量选择109
  • 7.2 包装法变量选择112
  • 7.3 嵌入法变量选择113
  • 7.4 Python代码实践115
  • 7.4.1 过滤法变量选择115
  • 7.4.2 包装法变量选择118
  • 7.4.3 嵌入法变量选择120
  • 第8章 Logistic回归模型123
  • 8.1 Logistic回归模型原理123
  • 8.2 过拟合与欠拟合128
  • 8.3 Python代码实践130
  • 第9章 模型的评估指标136
  • 9.1 正负样本的选择137
  • 9.2 标准评估指标139
  • 9.3 概率密度评估指标141
  • 9.4 概率分布评估指标144
  • 9.5 Python代码实践153
  • 第10章 评分卡分数转化157
  • 10.1 由概率到分数的转换157
  • 10.2 变量的分值计算159
  • 10.3 评分卡性能评估161
  • 10.4 Python代码实践163
  • 第11章 模型在线监控169
  • 11.1 稳定性监控169
  • 11.2 单调性监控172
  • 11.3 性能监控指标173
  • 11.4 Python代码实践174
  • 第3篇 评分卡理论与实战进阶
  • 第12章 样本不均衡处理180
  • 12.1 数据层下采样样本不均衡的处理方法181
  • 12.1.1 随机下采样方法181
  • 12.1.2 样本邻域选择的下采样方法182
  • 12.1.3 样本邻域清理的下采样方法184
  • 12.1.4 Bagging集成的下采样方法185
  • 12.1.5 Boosting集成的下采样方法187
  • 12.2 数据层上采样样本不均衡的处理方法188
  • 12.2.1 随机上采样方法188
  • 12.2.2 SMOTE样本生成方法189
  • 12.2.3 Borderline-SMOTE样本生成方法190
  • 12.3 算法层样本不均衡的处理方法190
  • 12.4 模型评估层样本不均衡的处理方法191
  • 12.5 Python代码实践191
  • 12.5.1 数据层下采样样本不均衡处理代码实现192
  • 12.5.2 数据层上采样样本不均衡处理代码实现201
  • 第13章 特征工程进阶206
  • 13.1 数据层特征工程206
  • 13.2 算法层特征工程211
  • 13.2.1 基于树模型的特征生成211
  • 13.2.2 FM特征交叉215
  • 13.3 Python代码实践219
  • 13.3.1 数据层特征工程代码实现219
  • 13.3.2 算法层特征工程代码实现222
  • 第14章 决策树模型229
  • 14.1 决策树模型的原理229
  • 14.2 决策树学习229
  • 14.3 决策树与过拟合234
  • 14.4 Python代码实践236
  • 第15章 神经网络模型241
  • 15.1 神经元模型241
  • 15.2 神经网络的网络结构242
  • 15.3 神经网络的学习策略247
  • 15.4 Python代码实践253
  • 第16章 支持向量机模型257
  • 16.1 感知器模型257
  • 16.1.1 感知器模型的原理257
  • 16.1.2 感知器与支持向量机模型260
  • 16.2 线性可分支持向量机261
  • 16.3 线性支持向量机267
  • 16.4 非线性支持向量机272
  • 16.5 感知器相关模型比较278
  • 16.6 Python代码实践280
  • 16.6.1 线性支持向量机模型代码实现280
  • 16.6.2 非线性支持向量机模型代码实现282
  • 第17章 集成学习286
  • 17.1 Bagging与Boosting对比286
  • 17.2 Random Forest模型原理288
  • 17.3 Adaboost模型原理289
  • 17.4 GBDT模型原理292
  • 17.5 Xgboost模型原理297
  • 17.6 Python代码实践304
  • 17.6.1 Random Forest模型304
  • 17.6.2 Adaboost模型308
  • 17.6.3 GBDT模型310
  • 17.6.4 Xgboost模型313
  • 第18章 模型融合317
  • 18.1 Blending方法原理317
  • 18.2 Stacking方法原理320
  • 18.3 Python代码实践322
  • 18.3.1 Blending模型融合代码实现322
  • 18.3.2 Stacking模型融合代码实现325
  • 第4篇 Lending Club数据集实战
  • 第19章 完整的模型开发实现330
  • 19.1 数据源介绍330
  • 19.2 数据的获取与预处理331
  • 19.2.1 数据准备331
  • 19.2.2 好坏样本定义334
  • 19.2.3 数据清洗与预处理335
  • 19.3 特征工程341
  • 19.3.1 简单的特征工程341
  • 19.3.2 变量分箱与编码342
  • 19.3.3 变量选择348
  • 19.4 模型构建与评估351
  • 19.4.1 模型构建与优化351
  • 19.4.2 模型评估352
  • 19.5 评分卡生成353
  • 附录A 主要符号表357
  • 附录B 开发环境简介358
  • 参考文献362

资源获取

资源地址1:https://pan.baidu.com/s/12M6_SmftQZl7n_lmadtWQg (密码:wxvx)

网友留言