智能風控：原理、算法與工程實踐（簡體書）

內容介紹
本書基於Python全面介紹了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個維度全面展開，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專家，曾在多加知名金融科技企業從事風控算法方面的研究與實踐，經驗豐富，本書得到了風控領域9位專家的高度評價。
全書一共8章，每個章節都由問題、算法、案例三部分組成，具有系統性和實戰性。
第1-2章講解了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章以項目冷啟動為背景，講解了風控領域應用廣泛的遷移學習方法。
第4-5章介紹了倖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章闡述了無監督的異常識別算法，該算法常用於數據清洗與冷啟動項目，是反欺詐引擎中常用的個體欺詐檢測方法。
第7章分享了一些經作者實踐證明效果較好的模型優化方法，並對模型融合的思路進行了較為詳細的介紹。
第8章重點講解了知識圖譜相關的複雜網絡基礎知識及網絡表示學習方法，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。

資深專家，基於Python，原理、算法、實踐3維度講解機器學習的風控實踐，21種算法26種解決方案，9位專家推薦

推薦序
前言
第1章　風控建模與規則挖掘　/ 1
1.1　信貸與風險　/ 1
1.1.1　信貸業務與互聯網金融風控體系　/ 1
1.1.2　信貸風險與控制　/ 4
1.2　工業建模流程　/ 5
1.2.1　抽象業務　/ 6
1.2.2　定義標簽　/ 6
1.2.3　樣本選取　/ 7
1.2.4　特徵工程與模型調優　/ 9
1.2.5　上線監控與評估報表　/ 10
1.3　規則挖掘方案　/ 13
1.4　本章小結　/ 20
第2章　集成模型評分卡　/ 21
2.1　特徵工程解析　/ 21
2.1.1　特徵與模型　/ 22
2.1.2　信用模型的特徵　/ 22
2.2　特徵衍生方案　/ 24
2.3　離散處理　/ 27
2.3.1　one-hot編碼　/ 27
2.3.2　WOE編碼　/ 28
2.4　迭代特徵篩選方案　/ 33
2.5　自動化調參　/ 38
2.5.1　自動化調參策略　/ 38
2.5.2　參數搜索方案　/ 39
2.5.3　調參框架搭建　/ 40
2.6　遞歸特徵刪除方案　/ 43
2.7　評分卡製作　/ 44
2.7.1　邏輯回歸評分卡　/ 45
2.7.2　集成模型的評分映射　/ 55
2.7.3　針對業務改寫評價函數　/ 59
2.8　本章小結　/ 60
第3章　遷移學習與冷啟動　/ 61
3.1　遷移學習基礎　/ 61
3.1.1　應用場景　/ 62
3.1.2　概念介紹　/ 62
3.2　遷移學習方法論　/ 63
3.2.1　三類常見算法　/ 63
3.2.2　遷移的實現方法　/ 64
3.3　少量有標簽樣本的遷移方案　/ 65
3.3.1　TrAdaBoost模型　/ 65
3.3.2　跨場景遷移模型　/ 67
3.4　無標簽樣本遷移之JDA　/ 76
3.4.1　JDA模型　/ 76
3.4.2　模型應用　/ 79
3.5　無標簽樣本遷移之DTELM　/ 80
3.5.1　ELM模型　/ 81
3.5.2　DTELM模型　/ 82
3.5.3　模型應用　/ 84
3.6　遷移樣本篩選方案　/ 88
3.6.1　背景介紹　/ 88
3.6.2　算法框架概覽　/ 88
3.6.3　搭建融合框架　/ 89
3.7　本章小結　/ 93
第4章　倖存者偏差　/ 95
4.1　倖存者偏差的含義　/ 95
4.2　增量學習　/ 96
4.3　生成對抗網絡　/ 97
4.3.1　GAN模型介紹　/ 98
4.3.2　GAN與倖存者偏差　/ 99
4.4　高斯混合模型　/ 100
4.4.1　GMM算法原理　/ 101
4.4.2　GMM簡單應用　/ 103
4.4.3　GMM中的概率模型　/ 104
4.4.4　GMM樣本生成　/ 107
4.5　信息準則　/ 110
4.5.1　赤池信息準則　/ 110
4.5.2　貝葉斯信息準則　/ 111
4.5.3　AIC與BIC比較　/ 111
4.6　本章小結　/ 112
第5章　不均衡學習　/ 113
5.1　樣本不均衡　/ 113
5.2　代價敏感加權方案　/ 114
5.3　插值過採樣方案　/ 115
5.3.1　SMOTE算法　/ 115
5.3.2　過採樣算法實踐　/ 116
5.4　半監督學習方案　/ 121
5.4.1　前提假設　/ 122
5.4.2　S3VM　/ 122
5.4.3　LP　/ 127
5.5　本章小結　/ 130
第6章　異常檢測　/ 132
6.1　離群點與欺詐檢測　/ 133
6.2　z-score檢驗　/ 134
6.3　LOF異常檢測法　/ 134
6.3.1　原理與算法流程　/ 135
6.3.2　LOF樣本清洗方案　/ 137
6.4　IF異常檢測法　/ 139
6.4.1　原理與算法流程　/ 139
6.4.2　PreA模型與冷啟動　/ 141
6.5　本章小結　/ 144
第7章　模型優化　/ 145
7.1　多損失函數分段預測　/ 145
7.1.1　兩種損失函數　/ 146
7.1.2　融合流程　/ 146
7.2　樹模型特徵衍生　/ 149
7.2.1　GBDT離散化　/ 149
7.2.2　融合方案詳解　/ 150
7.2.3　特徵衍生細節　/ 151
7.2.4　案例　/ 151
7.3　時間序列建模　/ 160
7.3.1　RNN　/ 160
7.3.2　LSTM　/ 163
7.3.3　門控結構　/ 164
7.3.4　LSTM行為評分卡案例　/ 166
7.4　高維稀疏數據建模　/ 170
7.4.1　算法原理　/ 171
7.4.2　算法應用　/ 172
7.5　模型融合　/ 173
7.5.1　模型融合基礎　/ 173
7.5.2　模型篩選　/ 174
7.5.3　業務應用方案　/ 181
7.6　本章小結　/ 183
第8章　知識圖譜　/ 184
8.1　複雜網絡基礎　/ 184
8.2　中心度與相似性　/ 187
8.3　節點分類　/ 193
8.3.1　樸素節點分類　/ 193
8.3.2　鄰節點加權投票　/ 195
8.3.3　一致性標簽傳播　/ 197
8.4　社區發現算法　/ 200
8.4.1　基礎概念　/ 200
8.4.2　Girvan-Newman算法　/ 201
8.4.3　Louvain算法　/ 202
8.4.4　社區評估　/ 204
8.5　網絡表示學習　/ 206
8.5.1　矩陣分解　/ 207
8.5.2　節點嵌入　/ 210
8.6　圖卷積神經網絡　/ 215
8.6.1　卷積神經網絡　/ 215
8.6.2　傅裡葉變換　/ 217
8.6.3　拉普拉斯算子　/ 219
8.6.4　GCN中的圖卷積　/ 221
8.7　本章小結　/ 225
參考文獻　/ 226