婷婷五月丁香久久,无码高清一卡二卡免费视频,亚洲AV无码专区在线播放中文,国产TS人妖系列高潮,久久久久91精品成人片,操屄自拍,日本A黄色大片在线看免费在线看,婷婷亚洲色

風(fēng)控模型在金融信貸的很多環(huán)節(jié)都發(fā)揮著自己的作用，但有的時候我們訓(xùn)練出來的模型并不能滿足上線需求，那我們就需要對模型進(jìn)行調(diào)優(yōu)。

一般來說，我個人會從以下幾個角度來優(yōu)化模型。

01 需求定義

簡單來說就是對原始需求進(jìn)行理解與定義，然后重新定義好壞樣本。比如可能原先的需求是要提高終審?fù)ㄟ^率，然后好樣本就是通過的客戶，壞樣本就是被拒絕的客戶，但很不幸這樣子建出來的模型效果并不是非常地好；在再次溝通后發(fā)現(xiàn)其實有很多沒通過的并不是被拒絕了，而是客戶自己放棄了申請。所以，我們可以從優(yōu)化審批過程，提升客戶體驗，或者優(yōu)先審批高貸款意愿的客戶等等的角度來建模。

而好壞樣本標(biāo)簽的定義，具體可以進(jìn)行Vintage Analysis（賬齡分析）以及Roll Rate Analysis（滾動率分析），這塊后續(xù)具體寫一篇文章來談?wù)劇?/section>

02 數(shù)據(jù)層面

數(shù)據(jù)決定模型的上限，相信很多同學(xué)也聽說過這句話。所以這一塊也是調(diào)優(yōu)的主要環(huán)節(jié)。

更多的數(shù)據(jù)源：如果可以的話，再看看能不能找到其他有用的數(shù)據(jù)加入到模型訓(xùn)練中。

更精致的數(shù)據(jù)清洗：重新對特征的缺失值、異常值做合理的填充或修復(fù)，從而提升數(shù)據(jù)整體的質(zhì)量。

更多的特征組合：通過概率模型、統(tǒng)計模型生成新的變量，更多不同維度的特征交叉衍生等。

更多的特征工程：比如數(shù)據(jù)降維、對數(shù)轉(zhuǎn)換、指數(shù)轉(zhuǎn)換、標(biāo)準(zhǔn)化、歸一化等等。

重新選擇特征訓(xùn)練：根據(jù)特征重要性選擇其他變量進(jìn)入模型訓(xùn)練。

訓(xùn)練測試樣本的重新選取劃分：重新選擇不同時間窗的數(shù)據(jù)來作為訓(xùn)練集，又或是變更訓(xùn)練-測試集的劃分閾值。

03 模型調(diào)優(yōu)

如果時間和算力允許，風(fēng)控模型的參數(shù)直接使用暴力點的網(wǎng)絡(luò)搜索來選擇全局最優(yōu)的超參也是很好的。否則的話，就使用以下的超參數(shù)優(yōu)化方法：

基于貝葉斯優(yōu)化的超參數(shù)優(yōu)化 Bayesian Optimization
基于進(jìn)化算法的超參數(shù)優(yōu)化 Evolutionary Algorithms
基于隨機(jī)搜索的超參數(shù)優(yōu)化 Random Search
基于元學(xué)習(xí)的超參數(shù)優(yōu)化 Meta Learning
基于遷移學(xué)習(xí)的超參數(shù)優(yōu)化 Transfer Learning

04 模型集成

模型集成在競賽中還是十分常見的，雖然在生產(chǎn)中我們沒辦法說像在kaggle上面一樣用幾十個模型來完成一個需求，但是幾個模型來共同完成一個需求的做法還是十分常見的。

比如說劃分不同的客戶、不同的產(chǎn)品單獨建模；又比如說對一個樣本集建立不同的模型，最后對模型的結(jié)果取平均值；又比如說對不同的樣本集（但目標(biāo)都一樣）建模不同的模型，然后取得票最多的結(jié)果等等。

風(fēng)控ML[7] | 風(fēng)控模型調(diào)優(yōu)的思路有哪些

01 需求定義

02 數(shù)據(jù)層面

03 模型調(diào)優(yōu)

04 模型集成