本課程系統講解信用風險建模的全流程。學校學習重方法，實際工作重流程。乙個高質量的模型既要求**能力強，又要求執行穩定。這要求建模人員不但通曉各種建模方法的效能，還要對資料生成和採集過程有深入的了解。本課程從基礎開始講解，直到行業實際運用，滿足有志於從事信用風險分析工作人員的學習需求。為了展現資料分析師真實的工作情景，本課程使用r進行講解。r語言靈活、演算法更新快，但是演算法不穩定，很多檢驗功能不完善,這給專業資料分析人員帶來很大的不便。本課程希望能使學員登堂入室，了解到這些不足，避免潛在的問題，直接面向運用提供解決方案。
課程大綱：
第一節 信用風險建模的來龍去脈capital one的故事
三大類風險
信用評分卡型別
信用風險it系統
第二節 r介紹與r語言程式設計r語言介紹r中的基本物件
r中的資料型別
r語言的程式控制
r語言的函式與包
r中讀寫資料，r中讀寫大型資料等。
第三節 描述性統計分析資料的分布
資料的集中、離散程度、資料的偏度峰度
描述性統計案例(r實現)
r的製圖
r的製圖相關的包
第四節 資料整合和資料清洗r中的sql語句
資料的橫向縱向合併
錯誤值、缺失值、異常值處理
第五節 統計推斷基礎假設檢驗與單樣本t檢驗
兩樣本t檢驗
方差分析(分類變數和連續變數關係檢驗)
相關分析(兩連續變數關係檢驗)
卡方檢驗(兩分類變數關係檢驗)
第六節 客戶價值**--線性回歸模型與診斷相關性分析
線性回歸
線性回歸診斷
正則化方法
第七節 邏輯回歸構建初始信用評級分類變數的相關關係
邏輯回歸模型
模型評估
第八節 使用決策樹進行信用評級決策樹建模思路
cart演算法建模原理
模型修建
模型評估
隨機森林與組合演算法
第九節 汽車金融信用違約**模型案例業務理解(銀行/信用評分/總體與目標事件)
資料理解(時間視窗選擇等)
資料準備(拒絕推斷/資料處理)
建模(logit回歸)
模型評估
模型檢測
第十節 使用神經網路進行信用行為評分行為信用評分基本概念
神經網路基本概念
人工神經網路基本概念
感知器與bp模型
徑向基神經網路
行為信用評分案例
python實現決策樹
決策樹是乙個 模型 他代表的是物件屬性與物件值之間的一種對映關係。樹中每個節點表示某個物件，而每個分叉路徑則代表某個可能的屬性值，而每個葉節點則對應從根節點到該葉節點所經歷的路徑所表示的物件的值。詳細關於決策樹的討論，請自行google。一 找到最優分割位置 1 針對樣本資料，需要在其不同的維度 d...
Python入門 決策樹
決策樹 decision tree 是一種樹形結構，其中每個內部節點表示乙個屬性上的測試，每個分支代表乙個測試輸出，每個葉節點代表一種類別。數學中的排列大家應該都學過，結果跟元素的順序有關，如果建立乙個列表，列出從1到20選擇3個數的所有排列，下面這兩項是不同的 5，8，10 8，5，10 舉個例子...
python畫決策樹
2.安裝python外掛程式graphviz pip install graphviz 3.安裝python外掛程式pydotplus。conda install c conda forge pydotplus 這樣環境就搭好了，有時候python會很笨，仍然找不到graphviz，這時，可以在 裡...