风控特征—关系网络特征工程入门实践

风控建模面试经验  本文转自知乎楼小轰的文章《信贷风控模型岗的一些面试经验》https://zhuanlan.zhihu.com/p/283062065  另外本人基于自己的积累写了一些问题的答案,文中灰色部分为本人所答,可能会有错误或理解不当之处,望多多指正。 简历细节怎么写就不描述了,但是很关键的一点是一些互联网大厂很看重面试者“新想法”,所以可以准备一个比较有想法有价值的方案。技术栈可以重点准备几个方面: 算法: 1、评分卡一系列流程,包括LR,WOE,IV简单公式, 为什么用WOE,为什么WOE 要用ln,评. 阅读详情

“ 本文业务角度分享了风控业务中构建关系特征的一些实践经验,包括数据源分析,关系网络和特征的构建,特征性能的评估以及线上方案的落实。”

作者:求是汪在路上

来源:知乎专栏 风控模型算法。

编辑:happyGirl

风控业务背景

常规RFM时间切片统计特征侧重于纵向维度量化用户风险,而关系网络特征则从横向维度来评估。纵向是指同一用户在不同时间段上的行为异常风险;横向是指在同一个时间段里聚集的不同用户放在一起评估风险。因此,关系网络特征可作为常规RFM特征的一个有力补充,为风控模型带来可预见的增量效果。

芝麻信用分中的人脉关系维度可以给我们带来很多启发,其又细分为人脉圈稳定性、社交影响力指数和信用环境指数三个子指标。其中信用环境指数是本文主要参考学习的方向。

图1 - 芝麻信用评分维度之人脉关系

本文不围绕各种复杂的社区发现算法展开,只从业务角度分享下构建关系特征的一些实践经验。关系网络中最重要的两部分无非就是——边(edge)和节点(node)。围绕这两点,我们可以考虑几个问题:如何分析可用数据?如何根据已有数据源来构建关系网络?如何构建关系特征?如何评估关系特征的性能?如何落实上线方案?

目录
Part 1. 如何分析可用数据?
Part 2. 如何构建边关系?
Part 3. 如何使用节点特征?
Part 4. 如何使用存量数据和增量数据?
Part 5. 如何实时上线?
Part 6. 如何验证关系特征的效果?
Part 7. 如何去优化关系特征?
致谢
版权声明

Part 1. 如何分析可用数据?

  1. 考虑数据源的稳定性。

在风控中, 稳定性压倒一切。数据源是构建特征的前提,如果数据源采集上就不稳定,必然导致特征波动。那么为了调研数据源采集情况,我们该咨询哪些人员,以及关注哪些问题呢?以下是笔者的一些实践建议:

  • 信贷产品设计人员 :了解产品页面跳转流程,包括:在哪个页面将会要求用户导入资料?需要用户授权同意哪些数据采集协议?新用户相对于老用户会少哪些数据?

  • 外部数据对接开发人员 :外部数据是其他数据公司所提供的,从而可能存在一些不确定性。例如,由于输出变量不稳定而被使用方下线,或者由于协议到期而被提供商下线。需要明确:外部数据在哪个环节(额度、定价、支用)调用?覆盖哪些产品和客群?外部数据接口调用的稳定性?

  • 风控策略人员 :了解风控流程和未来业务调整计划。风控流程图帮助你理解在整个风控链路上数据采集和风控策略之间的映射关系;业务调整计划帮助你排除一些未来不可用数据。例如,为提高用户转化率或合规性要求,未来计划把某些用户数据 由必导项改为自选项 ,那么可预见这块数据未来的采集率将会逐渐下降。如果对这块数据依赖性高,就会导致模型不稳定。此时,我们就不得不放弃实时数据的使用,或者考虑分箱等方式来平滑影响,或者考虑如何利用存量历史数据。

???? 建议 :可分产品线、时间粒度(天/月)等维度统计数据的缺失率,以此分析数据的稳定性。

2. 考虑数据源的厚薄度 。

由于各个数据源在不同时间点开始采集,因此数据的厚薄程度存在差异。在构建时间切片特征时也需注意这一点—— 明确观察期窗口是否有效。例如,数据采集时间是从2018-01-01开始的,如果要统计最近30天内的RFM特征,那么有效的观察期窗口就是30天,有效的观察点(样本)就只能从2018-02-01开始,2018年1月份的样本由于观察期不满30天就无法统计到有效的特征。在样本特征回溯中,笔者经常看到某些同学犯这个错误。

因此,如果某块数据在最近才开始采集,那也不得不舍弃。

3. 考虑模型的应用场景。

特征是为模型服务的。因此,在构建关系特征前,我们需要明确模型的应用场景,为模型“量身定制”。如果计划用在风险定价(A卡模型)环节,那么某些在A卡之后的环节才能获取的数据就无法使用。很多建模经验不足的同学,不管三七二十一,直接把所有可能使用的数据拿来测算,根本没考虑过线上如何使用的问题。最后,要么离线测算结果就不佳,要么最后根本无法上线使用。

???? 建议 :罗列一份数据源质量分析清单,笔者在整理中的结果表示例:

图2 - 数据源质量分析清单

Part 2. 如何构建边关系?

我们可以从 关系强弱(边权重) 和 覆盖率(边数量)两个维度来衡量数据源对定义边的重要性。由于各家公司对数据源获取情况各异,在此就只对目前市场上的数据源分析关系强弱。

  1. 运营商数据 :关系⭐️⭐️⭐️⭐️⭐️。可根据最近N天内通话记录次数等指标来衡量两个人之间的亲密程度。

  2. 设备数据 :关系⭐️⭐️⭐️⭐️。可根据最近N天内是否共同使用过一台设备、是否共同使用过同一个Wi-Fi等指标衡量。

  3. 通讯录数据 :关系⭐️⭐️⭐️⭐️⭐️。通讯录中所存号码的备注信息可判断亲密度。

  4. 紧急联系人数据 :关系⭐️⭐️⭐️⭐️⭐️。通常情况下,用户所填的紧急联系人会是自己的家人、同事、亲友等。

  5. 电商地址数据 :关系⭐️⭐️⭐️。根据地址相似度比对来判断用户之间存在的关系。由于地址数据需要提前规整,处理难度大。

  6. 运营老客拉新数据 :关系⭐️⭐️⭐️。产品运营活动中常会推出各种老客拉新活动以实现用户增长。链接传播渠道一般是微信。因此被拉的新客与老客之间通常是微信朋友关系。

  7. 银行卡转账记录数据 :关系⭐️⭐️⭐️。通常情况下,覆盖率较低。

  8. LBS地址位置数据 :关系⭐️。由于设备经纬度数据采集误差和位置时效性强的问题,这块数据对于衡量用户关系较弱。

  9. 其他数据 。

在罗列出所有可用于构建边关系的数据后,我们又会面临一个问题:每个数据源就可以提取出多个边关系,那么就可以构造多个子网络,我们该如何处理这些边?

可以有以下2种做法:

  • 特征层融合 :对每个子网络独立构建图特征,在特征层中融合。该方案在实践中的优点在于方便直观,可并行;缺点在于工作量大,如果有a个数据源,每个数据源可提取b种关系的边,又有c个节点特征,此时就会衍生出 a ✖ b ✖ c个特征。在建模中,也不可能对这所有的特征入模,需要开展大量的特征筛选工作。

  • 网络层融合 :该方案在实践中的优点在于将各类强边弱边融合在一起(w1 * e1 + w2 * e2 + w3 * e3 + ...),使边的内在含义更为丰富,边的覆盖率得到提升;缺点在于无法很好对融合权重赋值,前期可考虑专家经验拍定,后期优化可以考虑结合具体的target来训练估计。

图3 - 特征层融合 VS 网络层融合

Part 3. 如何使用节点特征?

一般情况下,节点特指用户(当然也可以是手机号、设备等)。我们可以通过RFM模型批量生产出大量时间切片特征,或者根据业务理解构造出强业务特征。

而关系网络的一个价值在于:利用节点所在群体(可以是一度、二度,或者社区发现算法挖掘出的簇)中的邻居节点特征,通过关系网络传播到某个节点上。

如果节点特征表对邻居节点的覆盖率低(通常情况下,邻居节点数 >> 特征表中节点数),那么网络传播过程将会大打折扣。试想,一个下单用户好不容易找出100个一度邻居,然而只有3个邻居节点特征变量有值,其余邻居节点特征都为null,那么通过传播(对邻居节点求mean、max、min、sum聚合操作)后,该下单用户仅仅利用了3个邻居的信息。

????因此, 节点特征表中的用户量决定了特征传播的上限。

接下来,我们就会考虑如何去扩充节点特征表中的用户量?最直接的做法——我们把历史全量用户的特征都拿过来用不就行了?但需要注意的是,用户特征具有时效性。 所谓 时效性,是指用户特征是否能有效反映用户最近的风险。 因此,贪多反而会引起特征质量下降,两者需要做权衡。

如果该特征的稳定性比较好(反映用户稳定属性的特征,如性格、信用等),那么就可以尽可能使用历史存量数据。也就是说,设定节点特征表的有效期为1年(或更长),在有效期内的历史全量节点特征,我们都可以拿来传播。例如信用卡额度,通常认为一个用户在1年内的额度不会发生太大变化。

反之,对于时效性强的特征,我们宁可牺牲覆盖率,也要缩短有效期,目的是为了保证特征的时效性。例如同盾这类的多头借贷数据,随着接入和退出机构的动态变化,半年前的同盾数据可能已经无法反映用户当前的借贷风险,若直接使用反而会引入噪声。

对于某个节点(用户)特征表在不同时间点存在多条记录的,可以考虑以下策略:

  1. 取最近一条,保证特征的时效性最强。

  2. 参考遗忘曲线,对不同时间点的特征进行加权融合。

图4 - 特征有效期和取用策略

Part 4. 如何使用存量数据和增量数据?

  1. 增量数据:一般指实时数据,可直接计算一度关系的边权重。例如,如果用户申贷下单时必须导运营商数据,那么就可以根据实时导入的通话记录来构建图关系网络。这是最新的数据,自然更能反映用户此时的风险。

  2. 存量数据:在一些场景下,我们不得不依赖于使用存量数据。

  • 场景1: 前期业务流程中要求用户强制导运营商数据,后期变成用户可选提额项。

  • 场景2: 某块数据之前都是在定价环节才调用,而此次建模希望用在额度环节(在定价之前)。

此时,我们该如何使用呢?考虑到对于某些新用户,虽然其自己没有导入运营商这类的关系数据,但是可能其身边的人在历史申贷时就已经导入过资料。那么,在历史关系网络中,该新用户就被囊括在其中。因此,存量数据也有其使用价值。

同样的道理,我们需要考虑关系网络也具有时效性。某些历史关系网络比较稳定,比如家人关系,那么就可以使用较久版本的,否则就只能用最近的,甚至不使用。

图 5 - 关系网络有效期

Part 5. 如何实时上线?

据笔者所知,目前线上计算二度关系的技术门槛仍然很高,因此我们在实时计算时考虑一度关系(应该也能达到80%的baseline效果,剩下的20%可能就需要靠高阶关系了),二度关系甚至更为复杂的社区发现算法则放在离线计算。因此,在实时构建一度关系和离线提供一度和多度关系的相互补充下,将会得到相对于只用实时一度关系更好的效果。

节点特征表则可通过离线提前计算,并将有效期范围的不同观察点的节点特征汇总成一张表,导入到线上数据库。

对于实时订单,可实时构建出关系网络,取出一度联系人和相应的边权重。并从节点特征表中取出邻居用户的特征,进而传播扩散,生成实时图特征。

Part 6. 如何验证关系特征的效果?

在风控建模中,评估特征性能最为关注稳定性和区分度。稳定性可用PSI(群体稳定性)来计算,而区分度可用IV(信息量)来衡量。再次强调稳定性在风控中的重要性。

因此,可按照以下步骤来快速评估:

  1. 考虑先回溯足够多的样本,通常是要求几个月以能评估稳定性

  2. 先评估特征的区分度。对于IV很高的特征,再次确认取数逻辑中是否用到未来信息。

  3. 筛选出区分度较强的特征,进一步评估稳定性。

Part 7. 如何去优化关系特征?

  1. 引入边权重,而不仅仅是有关联的一度用户。

  2. 离线增加更多关系较强但覆盖率较低的边,以起到补充更多一度联系人的作用。

  3. 节点特征增加更多维度。本质还是在于特征传播,因此加有效的节点特征是最重要的。

  4. 利用样本和target变量对关系网络融合权重参数估计,以期达到更合理的网络融合。

关于作者 :

在某互联网金融公司从事风控建模、反欺诈、数据挖掘等方面工作,目前致力于将实践经验固化分享,量化成长轨迹。点击文末阅读原文可直接与作者进行交流????

(完)


金融风控中的逻辑回归算法与特征工程实践 逻辑回归是一种经典的分类算法,通过sigmoid函数将线性组合映射到(0,1)区间,输出事件发生的概率。其核心优势在于可解释性强、计算效率高,特别适合处理二分类问题。在金融风控领域,逻辑回归常用于风险评分,如判断交易是否为欺诈。特征工程是模型效果的关键,包括特征构建、WOE编码和IV值评估等。实践中,样本不平衡和特征实时性是常见挑战,可通过SMOTE、调整类别权重和Redis实时计算解决。逻辑回归结合评分卡和策略规则,能有效提升风控系统的准确性和稳定性。 阅读详情

相关推荐

弹性网络在金融风控中的特征选择与模型优化实践

本文深入探讨了弹性网络在金融风控场景下的应用实践。针对信贷审批中特征维度高、多重共线性等挑战,文章通过模拟数据与完整代码示例,详细解析了如何利用弹性网络有效进行特征选择与模型优化,在保证模型稳定性的同时提升预测性能,为构建可解释、高性能的风控模型提供了实用指南。

weixin_29081703的博客 226

特征构造

1. 风控建模流程 1.1 评分卡 贷前 申请评分卡 Application score card 贷中 行为评分卡 Behavior score card 贷后 催收评分卡 Collection score card A B逾期的客户是正样本 C 能够被内催催回来的客户 1.2 机器学习模型的完整工程流程 准备 明确需求 模型设计 业务抽象成分类/回归问题 定义标签(目标值) 样本设计 特征工程 数据处理,选取合适的样本,并匹配出全部的信息作为基础特征 特征构建 特

weixin_46072106的博客 3306

风控建模整体流程

带你进入风控模型的世界

阿黎逸阳的博客 3940

复杂网络在信用风险中的实践

1. 传统方法 在信贷领域主要有两种风险: **欺诈风险:**借款人的目的就是骗贷。 **信用风险:**又称违约风险,是借款人因各种原因,不愿或无力履行合同条件而构成违约,致使平台遭受损失。 ​ 针对信用风险,需要对借款人的财务状况、还款意愿、履约能力等各方面因素综合量化评估,并根据风险等级制定不同的差异化定价(不同额度利率)和策略。 白话一点的解释就是: **业务:**需要训练一个模型,去...

清晨随笔 1258

STM32F4的sct文件理解

原文地址http://blog.sina.com.cn/s/blog_898f36590100ya2l.html ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~...

weixin_34008805的博客 996

电流采样电路设计:差分放大与ADC采集详解

在电机控制、电源管理、电池监测等应用中,电流采样是一个关键环节。通常,我们使用小阻值的采样电阻将电流信号转换为电压信号,再通过运放放大后送入ADC进行采集。本文将详细分析一种基于差分放大器的电流采样电路,包括信号放大、参考电压偏置、滤波保护以及ADC转换计算等内容。

W0s477的博客 2万+

数据分析构建rfm特征

RFM指的是最近一次购买时间(Recency)、购买频率(Frequency)和购买金额(Monetary Value)三个指标。通过计算和分析这三个指标,可以得到客户的价值和活跃程度的评估。2. 计算最近一次购买时间(Recency):根据客户最近一次购买的日期,计算距离当前日期的天数,得到最近一次购买时间。4. 计算购买金额(Monetary Value):根据客户的购买记录,统计购买金额,得到购买金额。3. 计算购买频率(Frequency):根据客户的购买记录,统计购买次数,得到购买频率。

zhangguanghao9的博客 299

FANUC机器人电弧跟踪功能深度解析:从电流采样原理到ROBOGUIDE仿真避坑指南

本文深度解析FANUC机器人电弧跟踪技术,从电流采样原理到ROBOGUIDE仿真避坑指南,详细介绍了电流波形分析、实时补偿机制及现场调试技巧。针对工业焊接中的常见问题,提供从底层原理到高阶应用的解决方案,帮助工程师优化自动化焊接质量。

weixin_31785177的博客 553

风控模型开发之两”最”问题

风控模型开发之两”最”问题

weixin_45545159的博客 1027

30秒精准解析论文PDF:PyMuPDF4LLM+Qwen2本地Agent实战指南

PDF文献解析是科研信息处理的基础能力,其本质是将非结构化文档转化为可计算的语义结构。传统OCR方案在原生PDF(如LaTeX导出)上精度低、容错差;而基于PDF对象树的解析技术,能精准定位文本、公式、图表锚点与参考文献区块,为后续结构化提取提供高质量输入。结合轻量级领域微调模型(如Qwen2-1.5B-Instruct)与强约束提示词工程,可实现研究目标、方法框架、核心结果等五大要素的高保真蒸馏。该技术路径兼顾隐私安全、零成本复现与离线鲁棒性,特别适用于高校实验室、研究生课题组及AI初学者构建个人文献处理

weixin_33509203的博客 288

AI智算-K8s如何利用GPFS分布式并行文件存储加速训练or推理

GPFS(General Parallel File System,通用并行文件系统)是由 IBM 开发的高性能分布式文件系统,最初设计于 1990 年代,用于满足高性能计算(HPC)环境对大规模数据存储和访问的需求。GPFS 现已广泛应用于企业级存储、云计算、大数据分析、人工智能和媒体处理等领域。它以其高性能、可扩展性和可靠性著称,能够支持从小型集群到超大规模系统的各种部署场景。

Kason_iWiki 1132

风控特征的关系网络特征工程入门实践

风控业务背景常规RFM时间切片统计特征侧重于纵向维度量化用户风险,而关系网络特征则从横向维度来评估。纵向是指同一用户在不同时间段上的行为异常风险;横向是指在同一个时间段里聚集的不同用户放...

Pysamlam的博客 574

基于STM32L4XX的环境光传感器(AS7343-DLGMN)应用程序设计

define AS7343_STATUS_SPECTRAL_INT (1 << 3) /* 光谱数据就绪 */#define AS7343_SYS_CFG_SPECTRAL_EN (1 << 1) /* 光谱测量使能 */#define AS7343_SYS_CFG_ALS_EN (1 << 0) /* ALS使能 */#define AS7343_SYS_CFG_INT_EN (1 << 4) /* 中断使能 *//* 切换通道组 (0=组1 F1-F6, 1=组2 F7-F12) */

myron6688的博客 259

风控特:关系网络特征工程入门实践

风控业务背景 常规RFM时间切片统计特征侧重于纵向维度量化用户风险,而关系网络特征则从横向维度来评估。纵向是指同一用户在不同时间段上的行为异常风险;横向是指在同一个时间段里聚集的不同用户放在一起评估风险。因此,关系网络特征可作为常规RFM特征的一个有力补充,为风控模型带来可预见的增量效果。 芝麻信用分中的人脉关系维度可以给我们带来很多启发,其又细分为人脉圈稳定性、社交影响力指数和信用环境指数三...

hellozhxy的博客 479

python中视觉检测怎么将多个面拍照的图片合成一个3d图像,用什么技术或者什么模型?

🏆本文收录于 《全栈Bug调优(实战版)》 专栏,该专栏专注于分享我在真实项目开发中遇到的各类疑难Bug及其深层成因,并系统提供高效、可复现的解决思路和实操方案。无论你是刚入行的新手开发者,还是拥有多年项目经验的资深工程师,本专栏都将为你提供一条系统化、高质量的问题排查与优化路径,助力你加速成长,攻克技术壁垒,迈向技术价值最大化与职业发展的更高峰🚀!

**My Coding Family** 710

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

风控领域特征工程

风控特征工程

uncle_ll的博客 1891

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

金融风控实战——风控领域涉及到的算法和风控算法工程师需要具备的能力

一些简单的介绍 市面上算法相关的岗位,从大范围上分为两大类 1、研究驱动的算法工程师,这类算法工程师的门槛很高,分布在大型公司的研究院、创新实验室等部门,这类算法工程师主要是以研究新的算法或者是更好的优化方案或是算法的高性能实施等等为主,简单来说类似于高校的博士生,做研究,发paper; 2、业务驱动的算法工程师,这类算法工程师的占比相对来说高得多,目前我们在各大招聘网站上看到的绝大多数都是基于业务驱动的算法工程师,这类算法工程师主要以算法的应用并且为企业直接或间接带来利润为主要目的,也是我们大多数人关注的

Grateful_Dead424的博客 5183

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

无向图边数和顶点关系_基于关系图的特征工程

关系型数据是一种重要的非结构化,随着互联网产品用户基数的增长,关系型数据的规模越来越大,如何从海量的关系型数据中抽取有效特征用于风控和营销等业务的模型,是一个越来越被关注的话题。1. 关系型数据关系型数据种类繁多,比如社交网络的用户好友关系,用户的通话记录,用户的GPS数据,都可以抽象成一个个“图”,互联网产品的用户基数动辄千万或者亿的级别,每一个用户可以看做图中的一个节点,用户和用户之间的好友关...

weixin_39861054的博客 5663

金融风控特征工程进阶之路:从传统方法到量子增强的完整迁移指南

掌握金融风控量子机器学习的特征工程,系统讲解从传统方法到量子增强的迁移路径。涵盖信贷评估、欺诈检测等场景,结合量子算法优化特征选择与降维,提升模型精度与效率。方法实用、步骤清晰,金融AI进阶必读,值得收藏。

InstrGap的博客 910

融360蒋宏:自动化特征工程和自动建模在风控场景的应用

01 背景和问题 目前,模型开发的流程越来越规范化,通常可以分为业务分析、样本准备、特征工程、模型构建、模型评估及监控这几个步骤。其中,特征工程和模型构建在建模的整个流程中依然非常耗时,并且非常依赖于模型开发者对业务的理解及数据处理的能力。 在目前实际业务场景下,面临的最大的一个问题是,如何快速地构建起一个质量相对不错的模型,以适应业务的快速发展。传统的风控建模周期较长,通常要20天左右的时间才能达到上线的要求。其中,特征工程的耗时在整个建模过程中会占到大约60%的时间,且这个过程的挑战就是人工提取特征..

DataFun_Hoh的博客 764

【40分钟速成智能风控15】特征工程

假设第i个样本为x,第i个样本的第j个特征为x,模型对第i个样本的预测值为yi,模型的基线(通常是所有样本的目标变量的均值)为。对于统计学流派中的逻辑回归,由于没有正则化的处理方式,特征之间的相关性会对模型的稳定性和可解释性造成比较大的影响。特征筛选的最后,还需要业务人员从解释性的角度出发,对筛选后的特征进行最终的确认。这里举两个例子,比如信用模型和反欺诈模型通常会在贷前策略中交叉使用,因而业务人员希望这两个模型的入模变量能够尽量正交,信用模型集中在长期稳定的特征,而反欺诈模型更偏重短期内的变化。

kaggle expert,全球排名前1000,清华计算机研究生,兴趣算法工程 1470

银行风控建模

好坏样本的定义需要根据实际的业务需求进行界定,而不是存在逾期就界定为坏样本(由于收益与风险的正比关系,银行为了找到平衡,不会认为所有发生过逾期的客户都是坏客户,并且“适当”的逾期不仅不会带来损失,反而带来了可观的逾期利息收入),所以对于银行来说,他所关注的坏客户是坏到某一程度,也就是逾期等级较高且不还款的客户。Vintage分析(账龄分析)用于确定合适的表现期,即确定有多久表现期的客户能纳入模型。(随着账龄的变化,贷款逾期的变化情况,贷款逾期趋于稳定后,则可作为表现期,比如经过6个月);

SQL__Learning的博客 8754

金融风控——Python建模

打分卡使用场合很多,包括营销评分、申请评分、行为评分、回款催收评分等等,按照具体的产品还可以分为信用卡、车贷、房贷、经营性贷款评分等等,还有按照不同地域的评分等等。根据不同的业务战略,打分卡的各项参数要做设定。 打分卡开发方法,包括逻辑回归、神经网络、决策树、马尔科夫链、生存分析等等,用的最多的,还是传统的逻辑回归,采用逻辑回归的打分卡开发基本流程大致为选取样本、定义好坏标准、寻找可用变量、选择变...

Yale-曼陀罗 8827
上一篇: 没有点真的大项目工程经验,你真以为能进大厂的算法岗?
下一篇: 2019 最烂密码排行榜大曝光!网友:已中招!
Wang_AI
博客等级 码龄12年 997粉丝 162原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值