|
Python信用评分模型及模型优化实战 【课程目标】 本课程专注于金融行业的数据建模，包括客户行为预测模型、风控识别与风控预测模型、信用评分模型等，面向数据分析部等专门负责数据分析与建模的人士。 本课程的主要目的是，培养学员的大数据意识和大数据思维，掌握常用的数据分析方法和数据分析模型，并能够用于对客户行为作分析和预测，提升学员的数据分析综合能力。 通过本课程的学习，达到如下目的： 1、 掌握数据分析和数据建模的基本过程和步骤 2、 掌握数据分析框架的搭建，及常用分析方法 3、 掌握业务的影响因素分析常用的方法 4、 掌握常用客户行为预测模型，包括逻辑回归、决策树、神经网络等等 5、 掌握模型优化的思路及措施，包括特征优化、超参优化、集成优化等 6、 掌握金融行业信用评分卡模型，构建信用评分模型
本课程突出数据挖掘的实际应用，结合行业的典型应用特点，从实际问题入手，引出相关知识，进行大数据的收集与处理；探索数据之间的规律及关联性，帮助学员掌握系统的数据预处理方法；介绍常用的模型，训练模型，并优化模型，以达到最优分析结果。 【授课时间】 2天时间，或者根据培训需求选择组合（每天6个小时） 【授课对象】 风险控制部、金融科技部、IT系统部、数据分析部等对数据建模有较高要求的相关领域人员。 【学员要求】 要求熟悉Python语言，熟悉numpy/pandas/sklearn库的使用。 1、 每个学员自备一台便携机(必须) 2、 环境要求：Python3.10版本以上（建议ananconda+VsCode） 注：讲师可以提供课堂上演示使用数据源及代码 【授课方式】 理论框架 + 落地措施 + 实战训练 【课程大纲】 第一部分： 数据分析基础目的：掌握数据分析基本步骤和过程，学会如何构造数据分析框架 1、数据决策的三个关键环节 Ø 业务数据化：将业务问题转化为数据问题 Ø 数据信息化：提取数据中的业务规律信息 Ø 信息策略化：基于规律形成业务应对策略 2、数据分析的六步曲 Ø 步骤1：明确目的--理清思路 Ø 步骤2：数据收集—理清思路 Ø 步骤3：数据预处理—寻找答案 Ø 步骤4：数据分析--寻找答案 Ø 步骤5：数据展示--观点表达 Ø 步骤6：报表撰写--观点表达 第二部分： 搭建业务分析框架1、数据分析思路来源于业务模型 2、分析框架来源于业务模型 Ø 商业目标（粗粒度） Ø 分析维度/关键步骤 Ø 业务问题（细粒度） Ø 涉及数据/关键指标 案例：搭建精准营销的分析框架(6R) Ø 如何寻找目标客户群 Ø 如何匹配合适的产品 Ø 如何确定推荐的最佳时机 Ø 如何判断合理的价格 Ø …… 案例：搭建用户购买行为分析框架(5W2H) 3、信用评估需要采集的数据 Ø 身份信息、认证数据、 Ø 消费数据、行为数据、 Ø 社交数据、设备数据、 Ø 金融数据、 第三部分： 数据建模步骤1、 预测建模六步法 2、 选择模型 Ø 基于业务选择恰当的数据模型 Ø 常见模型简介 3、 特征工程 Ø 选择对目标变量有显著影响的属性来建模 Ø 降维的两种方式：特征选择、因子合并 4、 训练模型 Ø 采用合适的算法对模型进行训练，寻找到最优参数 Ø 常用模型原理 5、 评估模型 Ø 进行评估模型的质量，判断模型是否可用 Ø 评估指标、评估方法 6、 优化模型 Ø 如果评估结果不理想，则需要对模型进行优化 7、 应用模型 Ø 如果评估结果满足要求，则可应用模型于业务场景 第四部分： 银行客户信用卡模型1、 信用评分卡模型简介 2、 评分卡的关键问题 3、 信用评分卡建立过程 Ø 筛选重要属性 Ø 数据集转化 Ø 建立分类模型 Ø 计算属性分值 Ø 确定审批阈值 4、 筛选重要属性 Ø 属性分段 Ø 基本概念：WOE、IV Ø 属性重要性评估 5、 数据集转化 Ø 连续属性最优分段 Ø 计算属性取值的WOE 6、 建立分类模型 Ø 训练逻辑回归模型 Ø 评估模型 Ø 得到字段系数 7、 计算属性分值 Ø 计算补偿与刻度值 Ø 计算各字段得分 Ø 生成评分卡 8、 确定审批阈值 Ø 画K-S曲线 Ø 计算K-S值 Ø 获取最优阈值 案例：构建银行小额贷款的用户信用模型 9、 信用评分卡的优化方向 Ø 改变属性重要性评估方法 Ø 采用其他更精准的模型，如决策树、神经网络、集成模型等 第五部分： 其他分类预测模型问题：如何评估客户购买产品的可能性？如何预测客户的购买行为？如何提取某类客户的典型特征？如何向客户精准推荐产品或业务？ 1、 分类模型概述及其应用场景 2、 常见分类预测模型 3、 逻辑回归（LR） Ø 逻辑回归的适用场景 Ø 逻辑回归的模型原理 Ø 逻辑回归分类的几何意义 Ø 逻辑回归的种类：二项、多项 Ø 如何解读逻辑回归方程 Ø 逻辑回归算法的实现及优化 ² 迭代样本的随机选择 ² 变化的学习率 ² 逻辑回归+正则项 ² 求解算法与惩罚项的互斥有关系 Ø 带分类自变量的逻辑回归分析 Ø 多项逻辑回归/多分类逻辑回归 ² ovo, ovr 案例：用sklearn库实现银行贷款违约预测 案例：订阅者用户的典型特征（二元逻辑回归） 案例：通信套餐的用户画像（多元逻辑回归） 4、 分类决策树（DT） 问题：如何预测客户行为？如何识别潜在客户？ 风控：如何识别欠贷者的特征，以及预测欠贷概率？ 客户保有：如何识别流失客户特征，以及预测客户流失概率？ Ø 决策树分类简介 演练：识别银行欠货风险，提取欠贷者的特征 Ø 决策树分类的几何意义 Ø 决策树算法（三个关键问题） ² 如何选择最佳属性来构建节点：熵/基尼系数、信息增益 ² 如何分裂变量：多元/二元划分、最优切割点 ² 修剪决策树：剪枝原则、预剪枝与后剪枝 Ø 决策树的解读 Ø 决策树的超参优化 案例：商场用户的典型特征提取 案例：客户流失预警与客户挽留 案例：识别拖欠银行货款者的特征，避免不良货款 Ø 多分类决策树 案例：识别不同理财客户的典型特征，实现精准推荐 5、 人工神经网络（ANN） Ø 神经网络的结构 Ø 神经网络基本原理 ² 加法器，激活函数 Ø 神经网络分类的几何意义 Ø 神经网络的结构 ² 隐藏层数量 ² 神经元个数 Ø 神经网络实现算法 案例：评估银行用户拖欠货款的概率 第六部分： 模型超参优化1、模型优化的三大方向 Ø 超参优化 Ø 特征工程 Ø 集成优化 2、超参优化的方法比较 Ø 交叉验证类（RidgeCV/LassoCV/LogisticRegressionCV/…） Ø 网格搜索GridSearchCV Ø 随机搜索RandomizedSearchCV Ø 贝叶斯搜索BayesSearchCV 3、超参调优策略 第七部分： 特征工程优化1、数据清洗技巧 Ø 异常数据的处理方式 Ø 缺失值的填充方式 Ø 不同填充方式对模型效果的影响 2、降维的两大方式：特征选择和因子合并 3、特征选择的模式 Ø 基于变量本身的重要性筛选 Ø Filter式（特征选择与模型分离） Ø Wrapper式（利用模型结果进行特征选择） Ø Embedded式（模型自带特征重要性评估） Ø 确定特征选择的变量个数 案例：客户流失预测的特征选择 4、因子合并（将多数变量合并成少数几个因子） Ø 因子分析（FactorAnalysis）：原理、适用场景、载荷矩阵 Ø 主成份分析PCA：原理、几何含义、扩展KernelCA/ICA/… 案例：汽车油效预测 5、变量变换 Ø 为何需要变量变换 Ø 因变量变换对模型质量的影响 Ø 特征标准化：作用、不同模型对标准化的要求、不同标准化对模型的影响 Ø 其它变换：正态化、正则化等 6、变量派生：基于业务经验的派生、多项式派生 7、特征工程的管道实现 Ø 管道类Pipeline Ø 列转换类ColumnTransformer Ø 特征合并类FeatureUnion 第八部分： 集成算法优化1、模型的优化思路 2、集成算法基本原理 Ø 单独构建多个弱分类器 Ø 多个弱分类器组合投票，决定预测结果 3、集成方法的种类：Bagging、Boosting、Stacking 4、Bagging集成：随机森林RF Ø 数据/属性重抽样 Ø 决策依据：少数服从多数 5、Boosting集成：AdaBoost模型 Ø 基于误分数据建模 Ø 样本选择权重更新公式 Ø 决策依据：加权投票 6、高级模型介绍与实现 Ø GBDT梯度提升决策树 Ø XGBoost Ø LightGBM 结束：课程总结与问题答疑。
| 
