村头陶员外的博客

从这篇博文开始，我将介绍机器学习，深度学习在金融风控这个行业上的应用。其实机器学习，深度学习在一些相关场景上的应用，其解决方法都是大同小异，差不多都是固定的解决套路，但是需要结合这个场景这个行业领域的相关知识来解决。这篇博文将开始介绍客户流失预警模型，而本篇博文将主要侧重介绍金融数据分析，预处理。客户流失预警模型的业务意义严格地讲,客户流失指的是客户在该行所有业务终止, 并销号。但是具体业务部门

这篇博文将详细讲下sklearn.preprocessing包是如何对数据进行预处理的，全文翻译自sklearn.preprocessing，并且加上了我自己的一些见解。 sklearn.preprocessing包提供了几个常见的实用函数和变换器类，以将原始特征向量转换为更适合分类器或者回归器的表示。标准化，去均值和方差缩放 scikit-learn中的许多学习器都需要将数据集进行标准化处理。

数据预处理的好坏，很大程度上决定了模型分析结果的好坏。 其中，异常值（outliers）检测是整个数据预处理过程中，十分重要的一环。方法也是多种多样。由于异常值检验，和去重、缺失值处理不同，它带有一定的主观性。在实际业务场景中，我们要根据具体的业务逻辑来判别哪些样本是离群点，下面我总结几个比较常用，通用的异常值检测方法。可视化的方法画出样本集某一个特征而言，可以直接画出这个样本集在这个特征上值的分