人工精选风控算法实践:算法进阶
解决什么问题:填补理论算法到业务落地的工程缺口 很多做数据或风控的上班族都有过这种体验:面试时能把决策树和梯度提升的数学原理背得很熟,但真到了公司要你针对一笔信贷业务跑一版反欺诈模型,面对几十上百个原始字段和几百万条带噪样本,却不知道从哪下手。这门风控算法进阶课解决的就是这个断层。它不讲公式推导,而
会员 · 按档位
游客按标价购买,不享受上表折扣。
支付成功后自动发放网盘链接,链接失效可找客服免费补
解决什么问题:填补理论算法到业务落地的工程缺口
很多做数据或风控的上班族都有过这种体验:面试时能把决策树和梯度提升的数学原理背得很熟,但真到了公司要你针对一笔信贷业务跑一版反欺诈模型,面对几十上百个原始字段和几百万条带噪样本,却不知道从哪下手。这门风控算法进阶课解决的就是这个断层。它不讲公式推导,而是把焦点放在树模型族(随机森林、GBDT、XGBoost、LightGBM)在结构化表格数据上的实际调用、参数调节和特征筛选。如果你的日常工作是处理金融信贷场景里的逾期预测、信用评分或欺诈拦截,学这套资料能帮你把脑子里的算法理论翻译成可以直接跑在服务器上的工程代码。
适合什么基础与建议先看哪几块
这套资料不适合零基础转行者。它默认你已经能用 Python 写基本的数据处理脚本,熟悉 pandas 操作,并且大概了解逻辑回归和决策树的业务用途。如果你连 Python 基础语法和 SQL 都不熟练,建议先补这些前置知识再来,否则在模型训练和算法包调用的环节会直接卡死。对于符合基础要求的读者,建议按业务流程的先后顺序来消化。第一块先看树模型族和特征选择,重点理解 LightGBM 相比传统 GBDT 在风控高维稀疏数据上的优势,以及特征选择算法如何帮你剔除共线性和无效变量。第二块直接进入超参调优和数据准备环节。风控场景下样本极度不平衡,正负样本比例可能达到几十比一,这一块会演示怎么切分训练集和验证集、怎么用算法包去跑通整个调参流程,这是日常工作中最耗时也最核心的部分。
学完能独立做什么与资料怎么配合练习
把这套资料吃透后,你能在公司独立接手一个结构化数据的风控建模任务。从拿到原始宽表开始,自己完成特征筛选、模型选型、超参数调优,最终产出一个可以评估 KS 值和 AUC 指标的可用模型,并向业务方解释哪些特征最重要。在练习方式上,强烈建议不要只用眼睛看视频。找一份公开的信贷违约数据集(比如 Kaggle 上的相应竞赛数据),跟着资料里的步骤一行行敲代码。看特征选择时,就同步在自己的数据集上跑一遍变量重要性排序;看超参调优时,就在本地环境复现一次网格搜索或贝叶斯优化。只有自己亲手把模型跑通、把参数调出效果,遇到内存溢出或样本不均衡报错时自己查文档解决,这套算法知识才会真正变成你能写进简历的硬技能。
课程目录
课程目录16 集
- 1-1 [算法精进:XGBoost, LightGBM等算法和特征选择] 决策树模型 (09:16).mp4
- 1-2 [算法精进:XGBoost, LightGBM等算法和特征选择] 随机森林算法与GBDT算法 (09:20).mp4
- 1-3 [算法精进:XGBoost, LightGBM等算法和特征选择] XGBoost算法 (05:33).mp4
- 1-4 [算法精进:XGBoost, LightGBM等算法和特征选择] LightGBM算法 (12:39).mp4
- 1-5 [算法精进:XGBoost, LightGBM等算法和特征选择] 特征选择算法 (06:40).mp4
- 2-1 [模型开发:超参调优与模型训练案例] 超参数调优 (08:55).mp4
- 2-2 [模型开发:超参调优与模型训练案例] 模型训练和超参调优案例:前期数据准备与算法包介绍 (08:50).mp4
- 2-3 [模型开发:超参调优与模型训练案例] 模型训练和超参调优案例:超参调优 (07:23).mp4
- 2-4 [模型开发:超参调优与模型训练案例] 模型训练和超参调优案例:特征选择 (05:32).mp4
- 3-1 [技能补充:拒绝推断方法] 风险建模样本特点和几类模型 (03:03).mp4
- 3-2 [技能补充:拒绝推断方法] 拒绝推断算法 (11:01).mp4
- 4-1 [应用实践:风控算法应用综合案例] 数据准备 (08:54).mp4
- 4-2 [应用实践:风控算法应用综合案例] eda分析与样本集定义 (05:58).mp4
- 4-3 [应用实践:风控算法应用综合案例] 特征处理和选择 (06:20).mp4
- 4-4 [应用实践:风控算法应用综合案例] 构建模型 (06:20).mp4
- 4-5 [应用实践:风控算法应用综合案例] 模型效果评估 (07:44).mp4





