国产蜜臀AV在线一区尤物_久久精品国产亚洲av麻豆甜_成人免费午夜无码视频在线播放_狠狠色噜噜狠狠狠888米奇视频

Python分類模型

【課程目標】
本課程主要講解如何利用Python進行時間序列的數據建模。
通過本課程的學習，達到如下目的：
1、掌握數據建模的標準流程。
2、掌握各種分類預測模型的原理，以及算法實現。
3、掌握各種分類模型類的重要參數，以及應用。
4、掌握模型的評估指標、評估方法，以及過擬合評估。
5、掌握模型優化的基本方法，學會超參優化。
6、掌握(wo)集成優化思想，掌握(wo)高級的分類模型。

【授課對象】
業務支(zhi)持部(bu)(bu)(bu)、IT系統(tong)部(bu)(bu)(bu)、大(da)(da)數據系統(tong)開發(fa)部(bu)(bu)(bu)、大(da)(da)數據分析(xi)中心(xin)、網絡運維部(bu)(bu)(bu)等相關技(ji)術人員。

【課程大綱】
一、預測建模基礎
1、數據建模六步法
－選擇模型：基于業務選擇恰當的數據模型
－屬性篩選：選擇對目標變量有顯著影響的屬性來建模
－訓練模型：采用合適的算法，尋找到最合適的模型參數
－評估模型：進行評估模型的質量，判斷模型是否可用
－優化模型：如果評估結果不理想，則需要對模型進行優化
－應用模型：如果評估結果滿足要求，則可應用模型于業務場景
2、數據挖掘常用的模型
－數值預測模型：回歸預測、時序預測等
－分類預測模型：邏輯回歸、決策樹、神經網絡、支持向量機等
－市場細分：聚類、RFM、PCA等
－產品推薦：關聯分析、協同過濾等
－產品優化：回歸、隨機效用等
－產品定價：定價策略/最優定價等
3、屬性篩選/特征選擇/變量降維
－基于變量本身特征
－基于相關性判斷
－因子合并（PCA等）
－IV值篩選（評分卡使用）
－基于信息增益判斷（決策樹使用）
4、訓練模型及實現算法
－模型原理
－算法實現
5、模型評估
－評估指標
－評估方法
－過擬合評估
6、模型優化
－優化模型：選擇新模型/修改模型
－優化數據：新增顯著自變量
－優化公式：采用新的計算公式
7、模型應用
－模型解讀
－模型部署
－模型應用
8、好(hao)模型(xing)是優(you)化出(chu)來的

二、分類模型評估
1、三個方面評估：指標、方法、過擬合
2、兩大矩陣
－混淆矩陣
－代價矩陣
3、六大指標
－正確率Accuracy
－查準率Precision
－查全率Recall
－特異度Specify
－F度量值（/）
－提升指標lift
4、三條曲線
－ROC曲線和AUC
－PR曲線和BEP
－KS曲線和KS值
5、多分類模型評估指標
－宏指標：macro_P, macro_R
－宏指標：micro_P, micro_R
6、模型評估方法
－原始評估法
－留出法（Hold-Out）
－交叉驗證法（k-fold cross validation）
－自助采樣法（Bootstrapping）
7、其它評估
－過擬合評估：學習曲線
－殘差評估：白噪聲評估

三、邏輯回歸
問題：如何評估客戶購買產品的可能性？如何預測客戶行為？
如何預測客戶流失？銀行如何實現欠貸風險控制？
1、邏輯回歸模型簡介
2、邏輯回歸的種類
－二項邏輯回歸
－多項邏輯回歸
3、邏輯回歸方程解讀
4、帶分類自變量的邏輯回歸
5、邏輯回歸的算法實現及優化
－迭代樣本的隨機選擇
－變化的學習率
6、邏輯回歸+正則項
7、求解算法與懲罰項的互斥關系
8、多元邏輯回歸處理
－ovo
－ovr
9、邏輯回歸建模過程
案例：用sklearn庫實現銀行貸款違約預測
案例：訂閱者用戶的典型特征（二元邏輯回歸）
 案(an)例(li)：通信套餐(can)的用(yong)戶(hu)畫像（多元邏(luo)輯回歸）

四、決策樹
1、分類決策樹簡介
演練：識別銀行欠貨風險，提取欠貸者的特征
2、決策樹的三個關鍵問題
－最優屬性選擇
－熵、基尼系數
－信息增益、信息增益率
－屬性*劃分
－多元劃分與二元劃分
－連續變量最優劃分
－決策樹修剪
－剪枝原則
－預剪枝與后剪枝
3、構建決策樹的算法
－C5.0、CHAID、CART、QUEST 
－各種算法的比較
4、決策樹的超參優化
5、決策樹的解讀
6、決策樹建模過程
案例：商場酸奶購買用戶特征提取
案例：客戶流失預警與客戶挽留
案例：識別拖欠銀行貨款者的特征，避免不良貨款
案例：識別電信詐騙者嘴臉，讓通信更安全
案(an)例(li)：電力竊漏用戶自動識別

五、人工神經網絡
1、神經網絡簡介（ANN）
2、神經元基本原理
－加法器
－激活函數
3、神經網絡的結構
－隱藏層數量
－神經元個數
4、神經網絡的建立步驟
5、神經網絡的關鍵問題
6、BP算法實現
7、MLP多層神經網絡
案例：評估銀行用戶拖欠貨款的概率
案例：神經網絡預測產品銷量

六、線性判別分析（LDA）
1、判別分析簡介
－基本思想
2、判別分析種類
3、判別分析算法
－類間散席
－類內散席
4、LDA線性判別模型
5、多分類判別分析
案例：MBA學生錄取判別分析
案例(li)：上市(shi)公司類別評估

七、最近鄰分類（KNN）
1、KNN的基本原理
2、K近鄰的關鍵問題
3、K近鄰的實現算法
－Brute暴力計算
－Kd_tree
－Ball_tre

八、樸素貝葉斯分類（NBN）
1、貝葉斯簡介
2、貝葉斯分類原理
－先驗概率和后驗概率
－條件概率和類概率
3、常見貝葉斯網絡
4、計算類別屬性的條件概率
5、估計連續屬性的條件概率
6、預測分類概率（計算概率）
7、拉普拉斯修正
案(an)例：評估銀行用戶拖欠貨款的概(gai)率

九、支持向量機（SVM）
1、支持向量機簡介
－適用場景
2、支持向量機原理
－支持向量
－*邊界超平面
3、線性不可分處理
－松弛系數
4、非線性SVM分類
5、常用核函數
－線性核函數
－多項式核
－高斯RBF核
－核函數的選擇原則
6、SMO算法

十、模型集成優化篇
1、模型的優化思想
2、集成模型的框架
－Bagging
－Boosting
－Stacking
3、集成算法的關鍵過程
－弱分類器如何構建
－組合策略：多個弱學習器如何形成強學習器
4、Bagging集成算法
－數據/屬性重抽樣
－決策依據：少數服從多數
－隨機森林RandomForest
5、Boosting集成算法
－基于誤分數據建模
－樣本選擇權重更新
－決策依據：加權投票
－AdaBoost模型
6、GBDT模型
7、XGBoost模型
8、LightGBM模(mo)型

十一、案例實戰
1、客戶流失預測和客戶挽留模型
2、銀行(xing)欠貸(dai)風險預測模型(xing)

結束：課程總結與問題答疑。

Python分類模型