本书基于Python全面介绍了机器学习在信贷风控领域的应用与实践，从原理、算法与工程实践3个维度全面展开，包含21种实用算法和26个解决方案。
作者是智能风控、人工智能和算法领域的资深专家，曾在多加知名金融科技企业从事风控算法方面的研究与实践，经验丰富，本书得到了风控领域9位专家的高度评价。
全书一共8章，每个章节都由问题、算法、案例三部分组成，具有系统性和实战性。
第1-2章讲解了信贷业务的基础知识以及常用的规则引擎、信用评估引擎的建模方法。
第3章以项目冷启动为背景，讲解了风控领域应用广泛的迁移学习方法。
第4-5章介绍了幸存者偏差与不均衡学习中所使用的无监督学习与半监督学习方法。
第6章阐述了无监督的异常识别算法，该算法常用于数据清洗与冷启动项目，是反欺诈引擎中常用的个体欺诈检测方法。
第7章分享了一些经作者实践证明效果较好的模型优化方法，并对模型融合的思路进行了较为详细的介绍。
第8章重点讲解了知识图谱相关的复杂网络基础知识及网络表示学习方法，其中的社区发现算法常用于团伙欺诈检测。此外，本章中的部分方法对信用评估模型的优化也有很大帮助。
封面图
目录
- 推荐序
- 前言
- 第1章风控建模与规则挖掘/ 1
- 1.1信贷与风险/ 1
- 1.1.1信贷业务与互联网金融风控体系/ 1
- 1.1.2信贷风险与控制/ 4
- 1.2工业建模流程/ 5
- 1.2.1抽象业务/ 6
- 1.2.2定义标签/ 6
- 1.2.3样本选取/ 7
- 1.2.4特征工程与模型调优/ 9
- 1.2.5上线监控与评估报表/ 10
- 1.3规则挖掘方案/ 13
- 1.4本章小结/ 20
- 第2章集成模型评分卡/ 21
- 2.1特征工程解析/ 21
- 2.1.1特征与模型/ 22
- 2.1.2信用模型的特征/ 22
- 2.2特征衍生方案/ 24
- 2.3离散处理/ 27
- 2.3.1one-hot编码/ 27
- 2.3.2WOE编码/ 28
- 2.4迭代特征筛选方案/ 33
- 2.5自动化调参/ 38
- 2.5.1自动化调参策略/ 38
- 2.5.2参数搜索方案/ 39
- 2.5.3调参框架搭建/ 40
- 2.6递归特征删除方案/ 43
- 2.7评分卡制作/ 44
- 2.7.1逻辑回归评分卡/ 45
- 2.7.2集成模型的评分映射/ 55
- 2.7.3针对业务改写评价函数/ 59
- 2.8本章小结/ 60
- 第3章迁移学习与冷启动/ 61
- 3.1迁移学习基础/ 61
- 3.1.1应用场景/ 62
- 3.1.2概念介绍/ 62
- 3.2迁移学习方法论/ 63
- 3.2.1三类常见算法/ 63
- 3.2.2迁移的实现方法/ 64
- 3.3少量有标签样本的迁移方案/ 65
- 3.3.1TrAdaBoost模型/ 65
- 3.3.2跨场景迁移模型/ 67
- 3.4无标签样本迁移之JDA/ 76
- 3.4.1JDA模型/ 76
- 3.4.2模型应用/ 79
- 3.5无标签样本迁移之DTELM/ 80
- 3.5.1ELM模型/ 81
- 3.5.2DTELM模型/ 82
- 3.5.3模型应用/ 84
- 3.6迁移样本筛选方案/ 88
- 3.6.1背景介绍/ 88
- 3.6.2算法框架概览/ 88
- 3.6.3搭建融合框架/ 89
- 3.7本章小结/ 93
- 第4章幸存者偏差/ 95
- 4.1幸存者偏差的含义/ 95
- 4.2增量学习/ 96
- 4.3生成对抗网络/ 97
- 4.3.1GAN模型介绍/ 98
- 4.3.2GAN与幸存者偏差/ 99
- 4.4高斯混合模型/ 100
- 4.4.1GMM算法原理/ 101
- 4.4.2GMM简单应用/ 103
- 4.4.3GMM中的概率模型/ 104
- 4.4.4GMM样本生成/ 107
- 4.5信息准则/ 110
- 4.5.1赤池信息准则/ 110
- 4.5.2贝叶斯信息准则/ 111
- 4.5.3AIC与BIC比较/ 111
- 4.6本章小结/ 112
- 第5章不均衡学习/ 113
- 5.1样本不均衡/ 113
- 5.2代价敏感加权方案/ 114
- 5.3插值过采样方案/ 115
- 5.3.1SMOTE算法/ 115
- 5.3.2过采样算法实践/ 116
- 5.4半监督学习方案/ 121
- 5.4.1前提假设/ 122
- 5.4.2S3VM/ 122
- 5.4.3LP/ 127
- 5.5本章小结/ 130
- 第6章异常检测/ 132
- 6.1离群点与欺诈检测/ 133
- 6.2z-score检验/ 134
- 6.3LOF异常检测法/ 134
- 6.3.1原理与算法流程/ 135
- 6.3.2LOF样本清洗方案/ 137
- 6.4IF异常检测法/ 139
- 6.4.1原理与算法流程/ 139
- 6.4.2PreA模型与冷启动/ 141
- 6.5本章小结/ 144
- 第7章模型优化/ 145
- 7.1多损失函数分段预测/ 145
- 7.1.1两种损失函数/ 146
- 7.1.2融合流程/ 146
- 7.2树模型特征衍生/ 149
- 7.2.1GBDT离散化/ 149
- 7.2.2融合方案详解/ 150
- 7.2.3特征衍生细节/ 151
- 7.2.4案例/ 151
- 7.3时间序列建模/ 160
- 7.3.1RNN/ 160
- 7.3.2LSTM/ 163
- 7.3.3门控结构/ 164
- 7.3.4LSTM行为评分卡案例/ 166
- 7.4高维稀疏数据建模/ 170
- 7.4.1算法原理/ 171
- 7.4.2算法应用/ 172
- 7.5模型融合/ 173
- 7.5.1模型融合基础/ 173
- 7.5.2模型筛选/ 174
- 7.5.3业务应用方案/ 181
- 7.6本章小结/ 183
- 第8章知识图谱/ 184
- 8.1复杂网络基础/ 184
- 8.2中心度与相似性/ 187
- 8.3节点分类/ 193
- 8.3.1朴素节点分类/ 193
- 8.3.2邻节点加权投票/ 195
- 8.3.3一致性标签传播/ 197
- 8.4社区发现算法/ 200
- 8.4.1基础概念/ 200
- 8.4.2Girvan-Newman算法/ 201
- 8.4.3Louvain算法/ 202
- 8.4.4社区评估/ 204
- 8.5网络表示学习/ 206
- 8.5.1矩阵分解/ 207
- 8.5.2节点嵌入/ 210
- 8.6图卷积神经网络/ 215
- 8.6.1卷积神经网络/ 215
- 8.6.2傅里叶变换/ 217
- 8.6.3拉普拉斯算子/ 219
- 8.6.4GCN中的图卷积/ 221
- 8.7本章小结/ 225
- 参考文献/ 226
