VIP20
本课程属于：019-信用额度定价训练集切分 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

LightGBM额度定价：训练集切分与模型训练

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
课程导论
额度定价业务背景 · LightGBM在金融风控中的优势 · 课程目标与学习路径
课程导论额度定价业务背景
02
LightGBM核心原理
直方图算法 · Leaf-wise生长策略 · 梯度单边采样（GOSS）与互斥特征捆…
LightGBM核心原理
03
环境搭建
Python环境配置 · LightGBM库安装 · 依赖包（pandas
环境搭建Python
04
数据探索与预处理
加载原始信贷数据 · 缺失值处理 · 异常值检测与处理
数据探索预处理
05
特征工程基础
数值型特征标准化 · 类别型特征编码（Label Enco… · 时间特征提取
特征工程基础数值型特征标准化
06
特征工程进阶
WOE编码与IV值计算 · 特征分箱 · 基于业务逻辑的衍生特征构造
特征工程进阶WOE
07
标签定义与目标变量
逾期定义（30+ / 90+） · 好坏样本比例分析 · 样本权重设定
标签定义目标变量
08
数据集划分原则
时间序列切分 vs 随机切分 · 避免数据泄露 · 训练/验证/测试集比例设定
数据集划分原则vs
09
训练集切分实战（上）
基于时间戳的样本排序 · 按时间窗口划分训练集与测试集 · 代码实现
训练集切分实战基于时间戳的样本…
10
训练集切分实战（下）
分层抽样保持样本分布 · K折交叉验证在时间序列中的变体（Wa…
训练集切分实战分层抽样保持样本…
11
LightGBM数据集构建
创建lgb.Dataset对象 · 设置类别特征参数 · 设置样本权重与初始分数
LightGBM数据集构建
12
模型参数详解（上）
核心参数（num_leaves · max_depth · learning_rate
模型参数详解num
13
模型参数详解（下）
正则化参数（lambda_l1 · lambda_l2 · min_child_samples）
模型参数详解lambda
14
模型训练基础
使用lgb.train进行模型训练 · verbose_eval监控训练过程 · early_stopping_rou…
模型训练基础lgb.train
15
模型训练进阶
使用lgb.cv进行交叉验证 · cv结果分析 · 最佳迭代次数确定
模型训练进阶lgb.cv
16
模型保存与加载
pickle与joblib保存模型 · LightGBM原生模型文件（.tx…
模型保存加载
17
模型预测与额度映射
预测违约概率（predict_pro… · 概率到额度映射函数设计 · 额度区间划分
模型预测额度映射
18
模型评估指标（上）
AUC · KS · Gini系数原理与计算
模型评估指标AUC
19
模型评估指标（下）
混淆矩阵 · 精确率/召回率/F1-score · 业务收益曲线（Profit Curv…
模型评估指标混淆矩阵
20
特征重要性分析
默认重要性（split/gain） · Permutation Import… · SHAP值初步应用
特征重要性分析split/gain
21
超参数调优（上）
网格搜索（GridSearchCV）…
超参数调优GridSearchCV
22
超参数调优（下）
贝叶斯优化（Optuna / Hyp… · 调参结果对比
超参数调优Optuna
23
样本不平衡处理
正负样本比例调整 · scale_pos_weight参数 · 自定义损失函数处理不平衡
样本不平衡处理正负样本比例调整
24
过拟合诊断与应对
训练集与验证集AUC差距分析 · 减少num_leaves · 增加min_child_sample…
过拟合诊断应对
25
模型可解释性
SHAP值详解 · SHAP Summary Plot · SHAP Dependence Pl…
模型可解释性SHAP
26
额度定价策略设计
基于评分卡映射的额度定价 · 利率与额度联动策略 · 风险定价矩阵
额度定价策略设计基于评分卡映射的…
27
模型上线部署
模型导出为PMML格式 · 使用Flask封装预测API · 模型版本管理
模型上线部署PMML
28
模型监控与迭代
PSI（群体稳定性指标）计算 · 特征分布漂移监控 · 模型定期重训练策略
模型监控迭代
29
案例实战（上）
从原始信贷数据到特征工程 · 训练集切分 · LightGBM模型训练全流程代码演…
案例实战从原始信贷数据到…
30
案例实战（下）
模型评估 · 额度映射 · 策略回测
案例实战模型评估