LDMLogical Data Model逻辑数据模型。PDMPhysical Data Model物理数据模型。SDMSource Data Model映射关系模型。

数据资产目录是数据管理层面的输出，如果需要进一步将数据资产在应用系统或数据平台管理落地，再结合数据结构、表结构、数据存储的物理层级，形成数据字典。数据资产目录是数据架构的基础，它列出了企业所有的数据资产，包括数据的来源、类型、格式、用途等。能管控，企业内部数据肯定是能管控的，还包括能进行管控的外部数据，比如第三方数据、上下游企业的相关的数据、市场数据。数据资产盘点的方法和步骤，主要归纳为6个阶段：

大模型相对传统模型具有一定的技术优势，以客户画像领域为例，传统模型是一系列的不同算法的小模型，例如以统计算法计算九资、以网络图谱计算客户关系、以树模型计算客户偏好，其数据结果均为固定化的评级评分等，但是大模型则是通用算法来感知描述上述画像，并且能够进一步感知风险浓度、欺诈态势等。目前看，大模型在金融行业的应用主要是，依托大模型人机交互能力的客服领域的应用，依托大模型生成能力的办公与代码领域的应用，

大模型相对传统模型具有一定的技术优势，以客户画像领域为例，传统模型是一系列的不同算法的小模型，例如以统计算法计算九资、以网络图谱计算客户关系、以树模型计算客户偏好，其数据结果均为固定化的评级评分等，但是大模型则是通用算法来感知描述上述画像，并且能够进一步感知风险浓度、欺诈态势等。目前看，大模型在金融行业的应用主要是，依托大模型人机交互能力的客服领域的应用，依托大模型生成能力的办公与代码领域的应用，

b:递归特征消除：主要思想是反复构建模型，选出最好的（最差的）特征（可根据系数来选），将选出的特征放在一边，在剩余的特征里重复这个过程，直至遍历所有特征。c:稳定性：一种基于二次抽样和选择算法相结合较新的方法，主要思想是：在不同的数据子集和特征的子集上运行特征选择算法，不断重复，最终汇总特征选择结果。该过程中特征被消除的次序即是：特征的排序。因此，也是一种寻找最优特征子集的贪心算法。a:通过F检验

逆向传播时，将输出误差按某种子形式，通过隐层向输出层返回，并分摊给隐层的节点与输入层节点，获得各层单元的参考误差，作为修改各单元权值的依据。输入样本数据，网络正向传播，得到中间层与输出层的值，比较输出层的值与教师信号的误差，用误差函数判断误差是否小于误差上限。算法开始时，给定学习次数上限，初始化学习次数为0，对权值和阙值赋予小的随机数，一般在[-1,1]。BP算法的学习过程由：信号的正向传播及误差

K-Means算法，一般需先度量样本间（欧几里得距离、曼哈顿距离、闵可夫斯距离） ，样本与簇间（样本到簇中心的距离）及簇与簇间距离（簇中心距离 ）。K-Means算法是典型的基于距离的非层次聚类算法，在最小化误差函数的基础上将数据划分为预定的类数K，采用距离作为相似性评价指标，即认为两个对象的距离越近，其相似度越大。使用误差平方和SSE作为度量聚类质量的目标函数，对两种不同的聚类结果，选择误差平方

一、熵权法介绍　　熵权法是一种客观赋权方法，其基本思路是根据指标变异性的大小来确定客观权重。　　依据的原理：指标的变异程度越小，所反映的信息量也越少，其对应的权值也应该越低。二、熵权法步骤（1）对数据进行预处理假设有n个要评价的对象，m个评价指标（已经正向化）构成的正向化矩阵如下：对数据进行标准化，标准化后的矩阵记为Z，Z中的每一个元素：判断Z矩阵中是否存在负数，如果存在的话，需要对X使用另外一种