智能风控：原理、算法与工程实践

8.7 本章小结

8.6 图卷积神经网络

8.5 网络表示学习

8.4 社区发现算法

8.3 节点分类

8.2 中心度与相似性

8.1 复杂网络基础

第8章 知识图谱

7.6 本章小结

7.5 模型融合

7.4 高维稀疏数据建模

7.3 时间序列建模

7.2 树模型特征衍生

7.1 多损失函数分段预测

第7章 模型优化

6.5 本章小结

6.4 IF异常检测法

6.3 LOF异常检测法

6.2 z-score检验

6.1 离群点与欺诈检测

第6章 异常检测

5.5 本章小结

5.4 半监督学习方案

5.3 插值过采样方案

5.2 代价敏感加权方案

5.1 样本不均衡

第5章 不均衡学习

4.6 本章小结

4.5 信息准则

4.4 高斯混合模型

4.3 生成对抗网络

4.2 增量学习

4.1 幸存者偏差的含义

第4章 幸存者偏差

3.7 本章小结

3.6 迁移样本筛选方案

3.5 无标签样本迁移之DTELM

3.4 无标签样本迁移之JDA

3.3 少量有标签样本的迁移方案

3.2 迁移学习方法论

3.1 迁移学习基础

第3章 迁移学习与冷启动

2.8 本章小结

2.7 评分卡制作

2.6 递归特征删除方案

2.5 自动化调参

2.4 迭代特征筛选方案

2.3 离散处理

2.2 特征衍生方案

2.1 特征工程解析

第2章 集成模型评分卡

1.4 本章小结

1.3 规则挖掘方案

1.2 工业建模流程

1.1 信贷与风险

第1章 风控建模与规则挖掘

前言

推荐序

版权信息

封面

封面

版权信息

推荐序

前言

第1章 风控建模与规则挖掘

1.1 信贷与风险

1.2 工业建模流程

1.3 规则挖掘方案

1.4 本章小结

第2章 集成模型评分卡

2.1 特征工程解析

2.2 特征衍生方案

2.3 离散处理

2.4 迭代特征筛选方案

2.5 自动化调参

2.6 递归特征删除方案

2.7 评分卡制作

2.8 本章小结

第3章 迁移学习与冷启动

3.1 迁移学习基础

3.2 迁移学习方法论

3.3 少量有标签样本的迁移方案

3.4 无标签样本迁移之JDA

3.5 无标签样本迁移之DTELM

3.6 迁移样本筛选方案

3.7 本章小结

第4章 幸存者偏差

4.1 幸存者偏差的含义

4.2 增量学习

4.3 生成对抗网络

4.4 高斯混合模型

4.5 信息准则

4.6 本章小结

第5章 不均衡学习

5.1 样本不均衡

5.2 代价敏感加权方案

5.3 插值过采样方案

5.4 半监督学习方案

5.5 本章小结

第6章 异常检测

6.1 离群点与欺诈检测

6.2 z-score检验

6.3 LOF异常检测法

6.4 IF异常检测法

6.5 本章小结

第7章 模型优化

7.1 多损失函数分段预测

7.2 树模型特征衍生

7.3 时间序列建模

7.4 高维稀疏数据建模

7.5 模型融合

7.6 本章小结

第8章 知识图谱

8.1 复杂网络基础

8.2 中心度与相似性

8.3 节点分类

8.4 社区发现算法

8.5 网络表示学习

8.6 图卷积神经网络

8.7 本章小结