VIP20
本课程属于：015-保险精算模型坏样本归因 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

保险精算坏样本归因模型训练指南

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
课程导论
坏样本归因模型在保险精算中的定义 · 应用场景（如欺诈检测 · 理赔异常分析）及课程目标
课程导论坏样本归因模型
02
保险数据基础
保险业务数据结构（保单 · 理赔 · 客户信息）
保险数据基础保险业务数据结构
03
坏样本定义与标注
坏样本的业务定义（如欺诈 · 恶意骗保 · 高赔付风险）
坏样本定义标注
04
数据预处理
缺失值处理 · 异常值检测 · 数据标准化与归一化技术在保险数据中的…
数据预处理缺失值处理
05
特征工程基础
特征提取（从保单 · 理赔 · 行为数据中）
特征工程基础特征提取
06
特征选择方法
过滤法（方差阈值 · 卡方检验） · 包裹法（递归特征消除）
特征选择方法过滤法
07
类别不平衡问题
保险坏样本的稀疏性 · 过采样（SMOTE） · 欠采样
类别不平衡问题保险坏样本的稀疏…
08
逻辑回归模型
逻辑回归原理 · 在坏样本归因中的可解释性优势 · 模型训练与评估
逻辑回归模型逻辑回归原理
09
决策树与随机森林
决策树分裂准则 · 随机森林的集成机制 · 特征重要性分析
决策树随机森林
10
梯度提升树（XGBoost/LightGBM）
提升算法原理 · 参数调优 · 在保险大数据中的性能表现
XGBoost/Ligh…梯度提升树
11
神经网络模型
多层感知机（MLP）结构 · 激活函数选择 · 防止过拟合的正则化技术
神经网络模型MLP
12
模型评估指标
混淆矩阵 · 精确率/召回率/F1-score · AUC-ROC
模型评估指标混淆矩阵
13
模型可解释性（SHAP/LIME）
SHAP值计算 · LIME局部解释 · 在保险风控中的合规应用
SHAP/LIME模型可解释性
14
归因分析框架
Shapley值在特征归因中的应用 · 边际贡献计算 · 全局与局部归因
归因分析框架Shapley
15
时间序列特征处理
理赔时间序列 · 滑动窗口特征 · 滞后变量
时间序列特征处理理赔时间序列
16
文本特征处理
理赔描述文本的TF-IDF · Word2Vec · BERT嵌入在坏样本识别中的应用
文本特征处理TF-IDF
17
图神经网络（GNN）入门
保险关系图（投保人-保单-理赔） · GCN/GAT在欺诈团伙检测中的潜力
GNN图神经网络
18
模型部署与监控
模型上线流程 · 实时评分API设计 · 模型漂移检测（PSI
模型部署监控
19
合规与伦理
保险监管要求（如GDPR · 中国保险业数据规范） · 模型公平性与偏见消除
合规伦理
20
案例实战一
车险欺诈检测——从数据清洗到模型部署…
案例实战一车险欺诈检测
21
案例实战二
健康险高赔付风险预测——特征工程与模…
案例实战二健康险高赔付风险…
22
案例实战三
寿险退保预测——时间序列特征与生存分…
案例实战三寿险退保预测
23
超参数调优
网格搜索 · 随机搜索 · 贝叶斯优化（Optuna）在保险模型…
超参数调优网格搜索
24
集成学习进阶
Stacking · Blending · Voting在坏样本归因中的融合策略
集成学习进阶Stacking
25
异常检测算法
孤立森林（Isolation For… · LOF · Autoencoder在无监督坏样本…
异常检测算法Isolation
26
因果推断入门
潜在结果框架 · 倾向得分匹配（PSM） · 双重差分（DID）在归因中的探索
因果推断入门结果框架
27
模型压缩与加速
剪枝 · 量化 · 知识蒸馏在保险实时推理场景中的实践
模型压缩加速
28
A/B测试与效果评估
在线实验设计 · 假设检验 · 归因模型上线后的业务效果验证
A/B测试
29
自动化机器学习（AutoML）
AutoML工具（H2O · AutoGluon）在保险精算中的快…
AutoML自动化机器学习
30
课程总结与未来展望
坏样本归因模型的发展趋势（联邦学习 · 可解释AI · 大模型应用）
课程总结未来展望