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
2.3.1 one-hot编码 / 27
2.3.2 WOE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
3.3.1 TrAdaBoost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
3.4.1 JDA模型 / 76
3.4.2 模型应用 / 79
3.5 无标签样本迁移之DTELM / 80
3.5.1 ELM模型 / 81
3.5.2 DTELM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
4.3.1 GAN模型介绍 / 98
4.3.2 GAN与幸存者偏差 / 99
4.4 高斯混合模型 / 100
4.4.1 GMM算法原理 / 101
4.4.2 GMM简单应用 / 103
4.4.3 GMM中的概率模型 / 104
4.4.4 GMM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
4.5.3 AIC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
5.3.1 SMOTE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
5.4.2 S3VM / 122
5.4.3 LP / 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
6.2 z-score检验 / 134
6.3 LOF异常检测法 / 134
6.3.1 原理与算法流程 / 135
6.3.2 LOF样本清洗方案 / 137
6.4 IF异常检测法 / 139
6.4.1 原理与算法流程 / 139
6.4.2 PreA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
7.2.1 GBDT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
7.3.1 RNN / 160
7.3.2 LSTM / 163
7.3.3 门控结构 / 164
7.3.4 LSTM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
8.4.2 Girvan-Newman算法 / 201
8.4.3 Louvain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
8.6.4 GCN中的图卷积 / 221
8.7 本章小结 / 225
参考文献 / 226
· · · · · · (收起)
具体描述
內容介紹
本書基於Python全麵介紹瞭機器學習在信貸風控領域的應用與實踐，從原理、算法與工程實踐3個維度全麵展開，包含21種實用算法和26個解決方案。
作者是智能風控、人工智能和算法領域的資深專傢，曾在多加知名金融科技企業從事風控算法方麵的研究與實踐，經驗豐富，本書得到瞭風控領域9位專傢的高度評價。
全書一共8章，每個章節都由問題、算法、案例三部分組成，具有係統性和實戰性。
第1-2章講解瞭信貸業務的基礎知識以及常用的規則引擎、信用評估引擎的建模方法。
第3章以項目冷啓動為背景，講解瞭風控領域應用廣泛的遷移學習方法。
第4-5章介紹瞭幸存者偏差與不均衡學習中所使用的無監督學習與半監督學習方法。
第6章闡述瞭無監督的異常識彆算法，該算法常用於數據清洗與冷啓動項目，是反欺詐引擎中常用的個體欺詐檢測方法。
第7章分享瞭一些經作者實踐證明效果較好的模型優化方法，並對模型融閤的思路進行瞭較為詳細的介紹。
第8章重點講解瞭知識圖譜相關的復雜網絡基礎知識及網絡錶示學習方法，其中的社區發現算法常用於團夥欺詐檢測。此外，本章中的部分方法對信用評估模型的優化也有很大幫助。
用户评价
##整体来说，每个阶段划分的不是很清晰，前面大部分都涉及到贷前的模型，后面的知识图谱涉及到比较多贷后。从模型的角度来说，还是涉及到一部分常用的模型的，但其实对风控涉及的不是特别深，比较适合新手入门吧。
评分##相比于市面上海量的滥竽充数的机器学习书，这本书是相当有良心的了。
评分##对这本书关注了很久，终于第二时间拿到手，无论是内容还是配图设计，都超预期。梅老师非常热心，解答了我的好几个问题。希望借这本书在风控这条路上更进一步
评分##对这本书关注了很久，终于第二时间拿到手，无论是内容还是配图设计，都超预期。梅老师非常热心，解答了我的好几个问题。希望借这本书在风控这条路上更进一步
评分##版式设计很用心，业务流程和算法配了漫画风格的大图，还有代码高亮，爽心悦目，读起来非常爽。当然，这本书的干货也多，推荐。
评分##风控的一些行业经验，虽然在其他ML算法岗来看有些野路子的感觉，但风控这边的一些独立思考和经验还是有可借鉴的地方的。
评分##看了几个月，走马观花看的，很多细节还得回去重新好好看看，感觉算是风控机器学习入门书吧，别卷我呜呜呜
评分##文中的算法讲解基本来自于各个博客和西瓜书，敢情现在抄抄抄就能出书了。另外，评论里的水军也刷得太明显了。
评分##相比于市面上海量的滥竽充数的机器学习书，这本书是相当有良心的了。
相关图书
本站所有內容均為互聯網搜索引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2026 tushu.tinynews.org All Rights Reserved. 求知書站 版权所有