VIP20
本课程属于：007-贷后预警策略坏样本归因 金融科技风控与量化工程 · 共 20 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

坏样本归因：特征工程与模型训练

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
坏样本归因概述
什么是坏样本 · 坏样本归因的定义与目标 · 坏样本归因在风控/反欺诈中的重要性
坏样本归因概述什么是坏样本
02
坏样本数据采集
数据源识别（内部日志 · 外部黑名单 · 第三方数据）
坏样本数据采集数据源识别
03
坏样本标签定义
坏样本的标注方法（人工标注 · 规则标注 · 半监督标注）
坏样本标签定义坏样本的标注方法
04
数据探索与可视化
坏样本分布分析 · 时间序列趋势 · 单变量与多变量可视化
数据探索可视化
05
数据清洗基础
缺失值处理 · 异常值检测与处理 · 重复数据去重
数据清洗基础缺失值处理
06
特征工程概述
特征工程的定义 · 特征工程在坏样本归因中的角色 · 特征工程流程
特征工程概述特征工程的定义
07
数值特征处理
标准化 · 归一化 · 对数变换
数值特征处理标准化
08
类别特征处理
独热编码 · 标签编码 · 目标编码
类别特征处理独热编码
09
时间特征提取
时间戳分解（年 · 月 · 日
时间特征提取时间戳分解
10
文本特征提取
TF-IDF · 词袋模型 · 词嵌入（Word2Vec
文本特征提取TF-IDF
11
聚合特征构建
基于用户ID的统计聚合（均值 · 最大值 · 最小值
聚合特征构建ID
12
交叉特征与组合特征
特征笛卡尔积 · 多项式特征 · 业务规则组合特征
交叉特征组合特征
13
特征选择方法
过滤法（方差阈值 · 卡方检验 · 互信息）
特征选择方法过滤法
14
特征降维
主成分分析（PCA） · 线性判别分析（LDA） · t-SNE在坏样本归因中的可视化应用
特征降维PCA
15
特征存储与版本管理
特征仓库（Feature Store… · 特征版本控制 · 特征回溯
特征存储版本管理
16
模型训练概述
坏样本归因常用模型（逻辑回归 · 决策树 · 随机森林
模型训练概述坏样本归因常用模…
17
训练集/验证集/测试集划分
时间序列划分 · 分层抽样 · K折交叉验证在坏样本场景下的特殊处理
训练集验证集
18
类别不平衡处理
过采样（SMOTE · ADASYN） · 欠采样
类别不平衡处理SMOTE
19
模型选择与调参
网格搜索 · 随机搜索 · 贝叶斯优化
模型选择调参
20
模型评估指标
准确率 · 精确率 · 召回率
模型评估指标准确率
21
模型可解释性
SHAP值 · LIME · 特征重要性排序
模型可解释性SHAP
22
坏样本归因分析
基于SHAP的个体坏样本解释 · 全局归因因子识别 · 业务规则提炼
坏样本归因分析SHAP
23
模型部署与监控
模型上线流程 · 在线/离线推理 · 模型性能监控（数据漂移
模型部署监控
24
模型迭代与反馈闭环
坏样本反馈收集 · 模型重训练策略 · A/B测试
模型迭代反馈闭环
25
案例实战一
信贷风控坏样本归因——特征工程全流程
案例实战一信贷风控坏样本归…
26
案例实战二
反欺诈坏样本归因——模型训练与调优
案例实战二反欺诈坏样本归因
27
案例实战三
电商交易坏样本归因——可解释性与业务…
案例实战三电商交易坏样本归…
28
常见陷阱与最佳实践
数据泄露 · 特征穿越 · 过拟合
常见陷阱最佳实践
29
工具与框架
Pandas · Scikit-learn · XGBoost
工具框架
30
课程总结与未来展望
坏样本归因的发展趋势 · 自动化特征工程 · AutoML
课程总结未来展望