<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[dean1977a的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/dean1977a</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; dean1977a]]></copyright><item><title><![CDATA[深入理解计算机系统Task01]]></title><link>https://blog.youkuaiyun.com/dean1977a/article/details/121941439</link><guid>https://blog.youkuaiyun.com/dean1977a/article/details/121941439</guid><author>dean1977a</author><pubDate>Tue, 14 Dec 2021 23:28:30 +0800</pubDate><description><![CDATA[第1章 计算机系统漫游1.编译系统2.系统硬件架构图
1.编译系统
计算机系统：由硬件和系统软件组成，共同工作来运行应用程序
hello.c程序示例：
#include&lt;stdio.h&gt;

int main(void) {
    printf("hello, world");
    return 0;
}


编译系统：GCC编译器驱动程序读取源文件hello.c，翻译成一个可执行目标文件，执行4个阶段的程序（预处理器、编译器、汇编器和链接器）

预处理阶段：根据以字符#开头的命令，修改原始]]></description><category></category></item><item><title><![CDATA[机器学习评估指标 AUC 综述]]></title><link>https://blog.youkuaiyun.com/dean1977a/article/details/102514340</link><guid>https://blog.youkuaiyun.com/dean1977a/article/details/102514340</guid><author>dean1977a</author><pubDate>Sat, 12 Oct 2019 09:26:19 +0800</pubDate><description><![CDATA[在互联网的排序业务中，比如搜索、推荐、广告等，AUC ( Area under the Curve of ROC ) 是一个非常常见的评估指标。网上关于 AUC 的资料很多，知乎上也有不少精彩的讨论，本文尝试基于自身对 AUC 的理解做个综述，水平有限，欢迎指出错误。
俗话说，提出正确的问题就成功了一半，本文先提出以下几个问题，希望大家读完能够加深对下列问题的理解。
AUC 有几种理解？

AUC...]]></description><category></category></item><item><title><![CDATA[Spark+Hadoop+Hive 平台docker一键搭建]]></title><link>https://blog.youkuaiyun.com/dean1977a/article/details/96685882</link><guid>https://blog.youkuaiyun.com/dean1977a/article/details/96685882</guid><author>dean1977a</author><pubDate>Sun, 21 Jul 2019 07:36:23 +0800</pubDate><description><![CDATA[安装步骤
先下载docker镜像(dokcer文件大概 26G 慢慢下吧哈)
sudo docker pull hortonworks/sandbox-hdp:3.0.1
sudo docker pull hortonworks/sandbox-proxy:1.0

下载启动配置脚本，会在当前目录下生成sandbox-hdp-3.0.1文件夹
git clone https://github.co...]]></description><category></category></item><item><title><![CDATA[消费信贷业务风控英文词汇手册]]></title><link>https://blog.youkuaiyun.com/dean1977a/article/details/94714669</link><guid>https://blog.youkuaiyun.com/dean1977a/article/details/94714669</guid><author>dean1977a</author><pubDate>Fri, 05 Jul 2019 08:51:04 +0800</pubDate><description><![CDATA[文章转载 https://zhuanlan.zhihu.com/p/25951427
1、风控系统篇
1.1 A card
释义：Application scorecard 进件评分卡，对授信阶段提交的资料赋值的规则。
举例： “进件”是传统银行的说法，指申请单。评分卡是对一系列用户信息的综合判断。随着可以收集到的用户信息变多，授信决策者不再满足于简单的if、else逻辑，而是希望对各个资料赋予权...]]></description><category></category></item><item><title><![CDATA[七月在线--金融风控实战--第六课 风控数据挖掘方法--课程笔记]]></title><link>https://blog.youkuaiyun.com/dean1977a/article/details/91486032</link><guid>https://blog.youkuaiyun.com/dean1977a/article/details/91486032</guid><author>dean1977a</author><pubDate>Tue, 11 Jun 2019 23:48:22 +0800</pubDate><description><![CDATA[XGBoost 对于 GBDT 的改进
1.传统GBDT以CART作为基分类器，xgboost还支持线性分类器，这个时候xgboost相当于带L1和L2正则化项的逻辑斯蒂回归（分类问题）或者线性回归（回归问题）。
2.传统GBDT在优化时只用到一阶导数信息，xgboost则对代价函数进行了二阶泰勒展开，同时用到了一阶和二阶导数。顺便提一下，xgboost工具支持自定义代价函数，只要函数可一阶和二阶...]]></description><category></category></item><item><title><![CDATA[七月在线--金融风控实战--第三课 风控数据挖掘方法--课程笔记]]></title><link>https://blog.youkuaiyun.com/dean1977a/article/details/90665392</link><guid>https://blog.youkuaiyun.com/dean1977a/article/details/90665392</guid><author>dean1977a</author><pubDate>Wed, 29 May 2019 10:01:11 +0800</pubDate><description><![CDATA[文章目录
申请评分卡中的数据预处理和特征衍生
    构建信用风险类型的特征
        数据预处理
    特征的分箱
        Best-KS
        ChiMerge 卡方分箱法
    WOE编码
        WOE编码的意义
    变量筛选
        特征信息度
        单变量分析和多变量分析
            单变量分析
          ...]]></description><category></category></item><item><title><![CDATA[七月在线--金融风控实战--第四课 风控数据挖掘方法--课程笔记]]></title><link>https://blog.youkuaiyun.com/dean1977a/article/details/90664704</link><guid>https://blog.youkuaiyun.com/dean1977a/article/details/90664704</guid><author>dean1977a</author><pubDate>Wed, 29 May 2019 09:06:50 +0800</pubDate><description><![CDATA[移除低方差特征
VarianceThreshold 是特征选择的一个简单基本方法，它会移除所有那些方差不满足一些阈值的特征。默认情况下，它将会移除所有的零方差特征，即那些在所有的样本上的取值均不变的特征。
    # ============去除方差小于阈值的特征============
from sklearn.feature_selection import VarianceThreshold...]]></description><category></category></item><item><title><![CDATA[七月在线--金融风控实战--第二课 风控数据挖掘方法--课程笔记]]></title><link>https://blog.youkuaiyun.com/dean1977a/article/details/90417936</link><guid>https://blog.youkuaiyun.com/dean1977a/article/details/90417936</guid><author>dean1977a</author><pubDate>Tue, 21 May 2019 23:54:34 +0800</pubDate><description><![CDATA[决策树的定义：
分类决策树模型是一种描述对实例进行分类的树形结构。决策树由结点（node）和有向边（directed edge）组成。结点有两种类型：内部结点（internal node）和叶结点（leaf node）。内部结点表示一个特征或属性(features)，叶结点表示一个类(labels)。
用决策树对需要测试的实例进行分类：从根节点开始，对实例的某一特征进行测试，根据测试结果，将实例分...]]></description><category></category></item><item><title><![CDATA[七月在线--金融风控实战--第一课 金融风控业务详解--课程笔记]]></title><link>https://blog.youkuaiyun.com/dean1977a/article/details/90417499</link><guid>https://blog.youkuaiyun.com/dean1977a/article/details/90417499</guid><author>dean1977a</author><pubDate>Tue, 21 May 2019 23:11:20 +0800</pubDate><description><![CDATA[建模流程：
1.前期准备工作：不同的模型针对不同的业务场景，在建模项目开始前需要对业务的逻辑和需求有清晰的理解，明确好模型的作用，项目周期时间和安排进度，
以及模型效果的要求。
2.模型设计：包括模型的选择（评分卡还是集成模型），单个模型还是做模型的细分，是否需要做拒绝推论，观察期，表现期的定义，好坏用户的定义，数据的
获取途径等都要确定好。
3.数据拉取及清洗：根据观察期和表现期的定义从数据池中...]]></description><category></category></item><item><title><![CDATA[风控模型师面试准备--业务+模型篇]]></title><link>https://blog.youkuaiyun.com/dean1977a/article/details/90416950</link><guid>https://blog.youkuaiyun.com/dean1977a/article/details/90416950</guid><author>dean1977a</author><pubDate>Tue, 21 May 2019 22:32:48 +0800</pubDate><description><![CDATA[作者：Summer Memories
链接：https://zhuanlan.zhihu.com/p/56474197
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
Q：互联网金融场景下的的风控模型种类？
• 获客阶段：用户响应模型，风险预筛选模型。
• 授信阶段：申请评分模型，反欺诈模型，风险定价模型，收益评分模型。
• 贷后阶段：行为评分模型，交易欺诈模型，...]]></description><category></category></item><item><title><![CDATA[python3正则表达式指南]]></title><link>https://blog.youkuaiyun.com/dean1977a/article/details/90166901</link><guid>https://blog.youkuaiyun.com/dean1977a/article/details/90166901</guid><author>dean1977a</author><pubDate>Mon, 13 May 2019 09:29:12 +0800</pubDate><description><![CDATA[1.正则表达式基础

1.1 简单介绍

正则表达式并不是Python的一部分。正则表达式是用于处理字符串的强大工具，拥有自己独特的语法以及一个独立的处理引擎，效率上可能不如str自带的方法，但功能十分强大。得益于这一点，在提供了正则表达式的语言里，正则表达式的语法都是一样的，区别只在于不同的编程语言实现支持的语法数量不同；但不用担心，不被支持的语法通常是不常用的部分。如果已经在其他语言里使用过正...]]></description><category></category></item><item><title><![CDATA[python3正则表达式]]></title><link>https://blog.youkuaiyun.com/dean1977a/article/details/90166742</link><guid>https://blog.youkuaiyun.com/dean1977a/article/details/90166742</guid><author>dean1977a</author><pubDate>Mon, 13 May 2019 09:18:02 +0800</pubDate><description><![CDATA[阅读目录

1、正则表达式基础
	2、re方法
	3、match对象方法
回到顶部

1、正则表达式基础

正则表达式是用于处理字符串的强大工具，拥有自己独特的语法以及一个独立的处理引擎，效率上可能不然str自带方法，但功能十分强大。

正则表达式的大致匹配流程：依次拿出表达式和文本中的字符比较，如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败。

python支持的...]]></description><category></category></item><item><title><![CDATA[Python生成器和迭代器]]></title><link>https://blog.youkuaiyun.com/dean1977a/article/details/89846141</link><guid>https://blog.youkuaiyun.com/dean1977a/article/details/89846141</guid><author>dean1977a</author><pubDate>Sun, 05 May 2019 15:08:55 +0800</pubDate><description><![CDATA[转载自https://www.cnblogs.com/wj-1314/p/8490822.html

本节主要记录一下列表生成式，生成器和迭代器的知识点

列表生成器

　　首先举个例子

现在有个需求，看列表 [0，1，2，3，4，5，6，7，8，9]，要求你把列表里面的每个值加1，你怎么实现呢？

方法一（简单）：


			1

			2

			3

			4

			5

			6

	...]]></description><category></category></item><item><title><![CDATA[xgboost原理及应用--转]]></title><link>https://blog.youkuaiyun.com/dean1977a/article/details/89396951</link><guid>https://blog.youkuaiyun.com/dean1977a/article/details/89396951</guid><author>dean1977a</author><pubDate>Fri, 19 Apr 2019 11:46:47 +0800</pubDate><description><![CDATA[1.背景

关于xgboost的原理网络上的资源很少，大多数还停留在应用层面，本文通过学习陈天奇博士的PPT地址和xgboost导读和实战地址，希望对xgboost原理进行深入理解。

2.xgboost vs gbdt

说到xgboost，不得不说gbdt。了解gbdt可以看我这篇文章地址，gbdt无论在理论推导还是在应用场景实践都是相当完美的，但有一个问题：第n颗树训练时，需要用到第n-...]]></description><category></category></item><item><title><![CDATA[决策树]]></title><link>https://blog.youkuaiyun.com/dean1977a/article/details/89377080</link><guid>https://blog.youkuaiyun.com/dean1977a/article/details/89377080</guid><author>dean1977a</author><pubDate>Thu, 18 Apr 2019 13:45:43 +0800</pubDate><description><![CDATA[---------------------
作者：braveryCHR
原文：https://blog.youkuaiyun.com/bravery_again/article/details/81104914

定义
决策树是一种常见的机器学习算法，它的思想十分朴素，类似于我们平时利用选择做决策的过程。

例如有人给我们介绍新的对象的时候，我们就要一个个特点去判断，于是这种判断的过程就可以画成一棵树，...]]></description><category></category></item><item><title><![CDATA[iForest （Isolation Forest）孤立森林 异常检测 入门篇]]></title><link>https://blog.youkuaiyun.com/dean1977a/article/details/89360009</link><guid>https://blog.youkuaiyun.com/dean1977a/article/details/89360009</guid><author>dean1977a</author><pubDate>Wed, 17 Apr 2019 17:08:22 +0800</pubDate><description><![CDATA[转自：https://www.jianshu.com/p/5af3c66e0410

iForest （Isolation Forest）孤立森林 是一个基于Ensemble的快速异常检测方法，具有线性时间复杂度和高精准度，是符合大数据处理要求的state-of-the-art算法（详见新版教材“Outlier Analysis”第5和第6章 PDF）。其可以用于网络安全中的攻击检测，金融交易欺诈...]]></description><category></category></item><item><title><![CDATA[互联网反欺诈构建概述]]></title><link>https://blog.youkuaiyun.com/dean1977a/article/details/89358231</link><guid>https://blog.youkuaiyun.com/dean1977a/article/details/89358231</guid><author>dean1977a</author><pubDate>Wed, 17 Apr 2019 16:05:48 +0800</pubDate><description><![CDATA[转自：https://mp.weixin.qq.com/s/oSJBQy4X5Sr5n1I0ZwvGpg

一、互联网反欺诈体系的构建存在着以下三个原则：


	（准）实时性：考虑到用户体验，互联网反欺诈体系必须能够在非常短的时间内对欺诈行为进行认定，并给出判断。对于注册、登陆、支付等一些场景，必须能够在用户无感知到情况下对欺诈行为进行检测和认定。
	
	
	自动化：由于（准）实时性的要求较高，决...]]></description><category></category></item><item><title><![CDATA[风控决策引擎经验]]></title><link>https://blog.youkuaiyun.com/dean1977a/article/details/89348971</link><guid>https://blog.youkuaiyun.com/dean1977a/article/details/89348971</guid><author>dean1977a</author><pubDate>Wed, 17 Apr 2019 09:08:08 +0800</pubDate><description><![CDATA[转载自https://mp.weixin.qq.com/s/LDcquVOTlCKJluyWG3AGAA

一套完整的风控体系，在风控中，少不了决策引擎，今天就浅谈一下风控决策引擎。

一、优先级

风控决策引擎是一堆风控规则的集合，通过不同的分支、层层规则的递进关系进行运算。而既然是组合的概念，则在这些规则中，以什么样的顺序与优先级执行便额外重要。

风控系统的作用在于识别绝对风控与标识相对风险...]]></description><category></category></item><item><title><![CDATA[特征选择 (feature_selection)]]></title><link>https://blog.youkuaiyun.com/dean1977a/article/details/89290111</link><guid>https://blog.youkuaiyun.com/dean1977a/article/details/89290111</guid><author>dean1977a</author><pubDate>Sat, 13 Apr 2019 22:32:41 +0800</pubDate><description><![CDATA[转自：http://www.cnblogs.com/stevenlk/p/6543628.html

当数据预处理完成后，我们需要选择有意义的特征输入机器学习的算法和模型进行训练。通常来说，从两个方面考虑来选择特征：

特征是否发散：如果一个特征不发散，例如方差接近于0，也就是说样本在这个特征上基本上没有差异，这个特征对于样本的区分并没有什么用。
	特征与目标的相关性：这点比较显见，与目标相关性高...]]></description><category></category></item><item><title><![CDATA[MySQL(二)任务4打卡]]></title><link>https://blog.youkuaiyun.com/dean1977a/article/details/89052873</link><guid>https://blog.youkuaiyun.com/dean1977a/article/details/89052873</guid><author>dean1977a</author><pubDate>Sat, 06 Apr 2019 10:53:14 +0800</pubDate><description><![CDATA[项目七: 各部门工资最高的员工（难度：中等）







项目八: 换座位（难度：中等）



项目九: 分数排名（难度：中等）

基本知识：

 sql语句中，使用@来定义一个变量。如：@abc
 sql语句中，使用:=来给变量赋值,：@abc:=123,则变量abc的值为123
 sql语句中，if(A,B,C)表示，如果A条件成立，那么执行B，否则执行C，如:@abc :...]]></description><category></category></item></channel></rss>