图书简介

风控领域是新兴的机器学习应用场景之一，其特点包括了负样本占比极少、业务对模型解释性要求偏高、业务模型多样、风控数据源丰富等。

《智能风控：原理、算法与工程实践》一书共 8 章，包含 26 种解决方案，分别介绍了自动化规则挖掘、集成模型评分卡、项目冷启动、幸存者偏差、不均衡学习、异常检测、模型优化、网络挖掘等方向所面临的问题，同时利用决策树、集成学习、迁移学习、无监督学习、半监督学习、模型融合、深度学习、图算法等机器学习模型对其进行改善，帮助读者更好、更快地解决实际的建模问题。本书由机械工业出版社于2019年12月出版。

作者简介

梅子行，男，历任多家金融科技公司风控算法研究员、数据挖掘工程师等职位。现供职于智能物流独角兽公司——满帮科技。

师承Experian、Discover等风控专家。擅长深度学习、复杂网络、迁移学习、异常检测等非传统机器学习方法。热衷于数据挖掘以及算法的跨领域优化实践。

图书目录

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　/ 7

1.2.5　上线监控与评估报表　/ 8

1.3　规则挖掘方案 / 11

1.4　本章小结 / 18

第 2 章　集成模型评分卡 / 19

2.1　特征工程解析 / 19

2.1.1　特征与模型　/ 20

2.1.2　信用模型的特征　/ 20

2.2　特征衍生方案 / 22

2.3　离散处理 / 24

2.3.1 one-hot编码　/ 25

2.3.2 WOE编码　/ 26

2.4　迭代特征筛选方案 / 31

2.5　自动化调参 / 36

2.5.1　自动化调参策略　/ 37

2.5.2　参数搜索方案　/ 37

2.5.3　调参框架搭建　/ 38

2.6　递归特征删除方案 / 41

2.7　评分卡制作 / 43

2.7.1　逻辑回归评分卡　/ 43

2.7.2　集成模型的评分映射　/ 53

2.8　本章小结 / 58

第 3 章　迁移学习与冷启动 / 59

3.1　迁移学习基础 / 59

3.1.1　应用场景　/ 60

3.1.2　概念介绍　/ 60

3.2　迁移学习方法论 / 61

3.2.1　三类常见算法　/ 61

3.2.2　迁移的实现方法　/ 62

3.3　少量有标签样本的迁移方案 / 63

3.3.1 TrAdaBoost模型　/ 63

3.3.2　跨场景迁移模型　/ 65

3.4　无标签样本迁移之 JDA / 74

3.4.1 JDA模型　/ 74

3.4.2　模型应用　/ 77

3.5　无标签样本迁移之 DTELM / 80

3.5.1 ELM模型　/ 80

3.5.2 DTELM模型　/ 81

3.5.3　模型应用　/ 83

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　/ 88

3.7　本章小结 / 93

第 4 章　幸存者偏差 / 94

4.1　幸存者偏差的含义 / 94

4.2　增量学习 / 95

4.3　生成对抗网络 / 96

4.3.1 GAN模型介绍　/ 97

4.3.2 GAN与幸存者偏差　/ 98

4.4　高斯聚类模型 / 99

4.4.1 GMM算法原理　/ 99

4.4.2 GMM简单应用　/ 102

4.4.3 GMM中的概率模型　/ 102

4.4.4 GMM样本生成　/ 106

4.5　信息准则 / 108

4.5.1　赤池信息准则　/ 109

4.5.2　贝叶斯信息准则　/ 109

4.5.3 AIC与BIC比较　/ 110

4.6　本章小结 / 111

第 5 章　不均衡学习 / 112

5.1　样本不均衡 / 112

5.2　代价敏感加权方案 / 113

5.3　插值过采样方案 / 114

5.3.1 SMOTE算法　/ 114

5.3.2　过采样算法实践　/ 115

5.4　半监督学习方案 / 120

5.4.1　前提假设　/ 121

5.4.2 S3VM / 121

5.4.3 LP / 125

5.5　本章小结 / 129

第 6 章　异常检测 / 130

6.1　离群点与欺诈检测 / 130

6.2　z-score检验 / 131

6.3　LOF异常检测法 / 132

6.3.1　原理与算法流程　/ 132

6.3.2 LOF样本清洗方案　/ 134

6.4　IF异常检测法 / 137

6.4.1　原理与算法流程　/ 137

6.4.2 PreA模型与冷启动　/ 139

6.5　本章小结 / 141

第 7 章　模型优化 / 142

7.1　多损失函数分段预测 / 142

7.1.1 2种损失函数　/ 143

7.1.2　融合流程　/ 143

7.2　树模型特征衍生 / 145

7.2.1 GBDT离散化　/ 146

7.2.2　融合方案详解　/ 146

7.2.3　特征衍生细节　/ 147

7.2.4　案例　/ 148

7.3　时间序列建模 / 156

7.3.1 RNN / 157

7.3.2 LSTM / 160

7.3.3　门控结构　/ 161

7.3.4 LSTM行为评分卡案例　/ 163

7.4　高维稀疏数据建模 / 167

7.4.1　算法原理　/ 167

7.4.2　算法应用　/ 169

7.5　模型融合 / 171

7.5.1　模型融合基础　/ 171

7.5.2　模型筛选　/ 172

7.6　本章小结 / 179

第 8 章　知识图谱 / 180

8.1　复杂网络基础 / 180

8.2　中心度与相似性 / 183

8.3　节点分类 / 189

8.3.1　朴素节点分类　/ 189

8.3.2　邻节点加权投票　/ 191

8.3.3　一致性标签传播　/ 193

8.4　社区发现算法 / 196

8.4.1　基础概念　/ 196

8.4.2 Girvan-Newman算法　/ 197

8.4.3 Louvain算法　/ 199

8.4.4　社区评估　/ 200

8.5　网络表示学习 / 202

8.5.1　矩阵分解　/ 203

8.5.2　节点嵌入　/ 207

8.6　图卷积神经网络 / 211

8.6.1　卷积神经网络　/ 211

8.6.2　傅里叶变换　/ 213

8.6.3　拉普拉斯算子　/ 215

8.6.4 GCN中的图卷积　/ 217

8.6　本章小结 / 221

参考文献 / 222