1.数据驱动型金融场景下，风控模型的种类有哪些？获客阶段：用户响应模型，风险预筛选模型授信阶段：申请评分模型，反欺诈模型，风险定价模型，收益评分模型贷中阶段：行为评分模型，交易欺诈模型，客户流失模型贷后阶段：预催收模型，早期催收模型，晚期催收模型2.简单描述一些风控建模的流程？前期准备工作阶段：不同的模型针对不同的业务场景，在建模项目开始前需要对业务的逻辑和需求有清晰的理解，明确模型的业务目标和作

1、逻辑回归定义事件发生的概率为其中：因此对于输入x分类结果为类别1和类别0的概率分别为：（1）式综合起来可以写成：取似然函数为：对数似然函数为：实际求解中通常取 -2log L求解变量系数就是使用梯度下降法求 -2log L 的最小值，sas logistic 采用牛顿法 和Fisher scoring法（默认）。先说几个概念1、似...

DeepFM延续了Wide&Deep的双模型组合的结构，改进之处就在于FM（因子分解机）替换了原来的Wide部分，加强浅层网络部分的特征组合能力。模型结构如下图所示（顶会发这么模糊的图有点不应该），左边的FM部分与右边的DNN共享相同的embedding层，左侧FM对不同特征域的Embedding进行两两交叉，也就是将Embedding向量当做FM中的特征隐向量。隐向量的做法，其实与矩阵分解用隐向

DeepFM延续了Wide&Deep的双模型组合的结构，改进之处就在于FM（因子分解机）替换了原来的Wide部分，加强浅层网络部分的特征组合能力。模型结构如下图所示（顶会发这么模糊的图有点不应该），左边的FM部分与右边的DNN共享相同的embedding层，左侧FM对不同特征域的Embedding进行两两交叉，也就是将Embedding向量当做FM中的特征隐向量。隐向量的做法，其实与矩阵分解用隐向

https://www.cnblogs.com/RainLa/p/11929515.html

deepFM广泛应用于推荐等稀疏数据的场景，发现一个的三方库，用自有数据测试了下，但是数据集基本上都是连续数据，可能没有体现deepFM的优势。这个数据集的样本分布很均衡，比较容易训练，但最终效果auc不如树模型lgb，后续用其他数据集继续观察。

上一篇已经将所有变量都转化为woe值的形式，这里再另外补充一个小技巧—dummy变量的使用。　　　　1.有时候我们的数据来源可能不是很真实，如客户自己填写的婚姻状况，假设婚姻状况不会要求客户提供证明，但此时我们想加入这个变量，可以考虑加入”是否未婚或者离异”，此时认为客户填写未婚或者离异的相比填写已婚的较为真实。　　2.在上一篇连续变量分箱分箱时有说到，当变量是U型时强行改变变量的趋势可

python数据分析生成衍生变量的时候，使用apply的方法速度很慢，尤其是遇到批量生成好几千变量，且数据量比较大的情况下。N = 10A_list = np.random.randint(1, 100, N)B_list = np.random.randint(1, 100, N)df = pd.DataFrame({'A': A_list, 'B': B_list})df.head()#AB#