knowledge_endlesss的博客

学习目标将之前建模调参的结果进行模型融合，并尝试多种融合方案融合方法1，平均法2，投票法3，综合法4，stacking5, blending6, boosting/bagging待补充详细

1 学习目标学习在金融风控领域常用的机器学习模型学习机器学习模型的建模过程与调参流程2 如何建模一，了解通用的几个模型：逻辑回归模型、决策树模型、集成GBDT模型（随机森林、XGBOOST、LightGBM、CatBOOST）逻辑回归优点a. 训练速度较快，分类的时候，计算量仅仅只和特征的数目相关；b. 简单易理解，模型的可解释性非常好，从特征的权重可以看到不同的特征对最后结果的影响；c. 适合二分类问题，不需要缩放输入特征；d. 内存资源占用小，只需要存储各个维度的特征值；缺

1、学习目标学习特征预处理、缺失值、异常值处理、数据分桶等特征处理方法学习特征交互、编码、选择的相应方法完成相应学习打卡任务，两个选做的作业不做强制性要求，供学有余力同学自己探索2、特征处理数据预处理：a. 缺失值的填充b. 时间格式处理c. 对象类型特征转换到数值异常值处理：a. 基于3segama原则b. 基于箱型图数据分箱a. 固定宽度分箱b. 分位数分箱离散数值型数据分箱连续数值型数据分箱c. 卡方分箱（选做作业）特征交互a. 特征和特征之间组

机器学习之零基础入门金融风控—贷款违约挑战赛一、本期目标数据总体了解：a. 读取数据集并了解数据集大小，原始特征维度；b. 通过info熟悉数据类型；c. 粗略查看数据集中各特征基本统计量；缺失值和唯一值：a. 查看数据缺失值情况b. 查看唯一值特征情况深入数据-查看数据类型a. 类别型数据b. 数值型数据离散数值型数据连续数值型数据数据间相关关系a. 特征和特征之间关系b. 特征和目标变量之间关系用pandas_profiling生成数据报告#二、针对特征数据进行分析

机器学习之零基础入门金融风控–贷款违约挑战赛一、赛题理解迅速阅读一遍官方文档，作为小白开始机器学习需要找到每个阶段的目标，目前还需要学习哪些新知识点，初步识别到如下几个：二、指标解释这个赛题主要的评分指标ROC曲线，大家细细品为啥固定的数据，得出固定的（TPR，FPR）对应到图上是一个点，怎么能称之为曲线呢？ROC解释的地址：https://segmentfault.com/a/1190000016686335（我们讨论认为使用不同模型进行预测导致TPR与FPR的计算结果不一致，才能绘制出