1、決策引擎調整
2、做了現在模型和上版模型的比較，令人意外的是上版模型在目前的放款客戶中有非常好的rank order，這就尷尬了，那畢竟是我摳腳建的模型，居然在現有模型的通過域中有這麼好的劃分，但是問題來了，我感覺到，如果把此模型用於全部樣本，可能區隔並沒有這麼好，因為這個模型當初12月、1月也使用過並沒有逆天的效果，略微好於現在，難道要把這兩個模型ensemble起來？直接ensemble通過率會非常非常低，但是對於壞賬卻比較有信心，直接ensemble實際應用肯定是不行的。那話說回來如何去評價上一版模型呢？一種理想的情況，進行ab測試，直接看逾期情況；看區隔度的話，兩個模型通過的都進行等分，不是就可以看區隔度嗎？比如a模型放grade abc，另乙個b模型放grade ab，後來看區隔度就是abc壞賬，ab壞賬，這種怎麼看呢？找乙個量化的評價指標，比如我仍然可以用iv啊，這是不等分的方式，如果等分呢？等分也可以啊！
但是現在回過頭來比較當前模型和上一版模型就存在乙個問題，當前模型可以通過的等分看，或者就實際grade看，但是上一版模型就只能在通過的人裡面來看，而不是上一版模型自己通過的人，這種比較方式只能說明兩個模型ensemble很棒，看到上一版的漂亮資料就直接拿來運用，肯定取不到這麼好的分化效果，那該如何評測呢？這裡就作為問題
3、下午就嘗試開始建乙個骷髏王2.0，開始做資料抽取，然後iv計算
2017 03 20回顧 霸氣
1 仔細看了矩陣求導的公式，推出了最小二乘的引數表示式，但是矩陣求導公式本身，我嘗試推導了一下，發現沒對頭，矩陣求導的關鍵就是對其中每乙個元素分別求導，然後照著 機器學習實戰 寫了最小二乘法的 2 和群內的夥伴交流了下，也說到了是否有意去外地，這成了我最近亟待考慮的問題 3 其中提到exprian的...
2016 12 28回顧 GBDT初探
gbdt是在sklearn的ensemble包中，屬於一種整合學習的思想，分為回歸樹和分類樹 from sklearn.ensemble import gradientboostingregressor from sklearn.ensemble import gradientboostingcla...
2016回顧與總結
2016年總結 工作半年了，回顧半年的經歷，總結如下 對產品都已經熟悉。對於常見的安裝過程中的問題也能夠判斷問題的大概。並且，通過指令碼的清環境安裝等，安裝過程中的問題也逐漸的減少。對我們自己內部的工具的使用，echo ring，nic status.py 等，論壇，gogs，wiki等的掌握使用。...