综合亚洲欧美,亚洲欧洲另类,逼逼爱爱,国产限制,欧美 久久国产亚洲日韩一本，欧美日韩专区国产精品，久久精品

Python分類模型

【課程目標(biāo)】
本課程主要講解如何利用Python進(jìn)行時間序列的數(shù)據(jù)建模。
通過本課程的學(xué)習(xí)，達(dá)到如下目的：
1、掌握數(shù)據(jù)建模的標(biāo)準(zhǔn)流程。
2、掌握各種分類預(yù)測模型的原理，以及算法實現(xiàn)。
3、掌握各種分類模型類的重要參數(shù)，以及應(yīng)用。
4、掌握模型的評估指標(biāo)、評估方法，以及過擬合評估。
5、掌握模型優(yōu)化的基本方法，學(xué)會超參優(yōu)化。
6、掌握集成優(yōu)化思想，掌握高級的分類模型。

【授課對象】
業(yè)務(wù)支持部、IT系統(tǒng)部、大數(shù)據(jù)系統(tǒng)開發(fā)部、大數(shù)據(jù)分析中心、網(wǎng)絡(luò)運維部等相關(guān)技術(shù)人員。

【課程大綱】
一、預(yù)測建?；A(chǔ)
1、數(shù)據(jù)建模六步法
－選擇模型：基于業(yè)務(wù)選擇恰當(dāng)?shù)臄?shù)據(jù)模型
－屬性篩選：選擇對目標(biāo)變量有顯著影響的屬性來建模
－訓(xùn)練模型：采用合適的算法，尋找到最合適的模型參數(shù)
－評估模型：進(jìn)行評估模型的質(zhì)量，判斷模型是否可用
－優(yōu)化模型：如果評估結(jié)果不理想，則需要對模型進(jìn)行優(yōu)化
－應(yīng)用模型：如果評估結(jié)果滿足要求，則可應(yīng)用模型于業(yè)務(wù)場景
2、數(shù)據(jù)挖掘常用的模型
－數(shù)值預(yù)測模型：回歸預(yù)測、時序預(yù)測等
－分類預(yù)測模型：邏輯回歸、決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等
－市場細(xì)分：聚類、RFM、PCA等
－產(chǎn)品推薦：關(guān)聯(lián)分析、協(xié)同過濾等
－產(chǎn)品優(yōu)化：回歸、隨機(jī)效用等
－產(chǎn)品定價：定價策略/最優(yōu)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(guān)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(xùn)練模型及實現(xiàn)算法
－模型原理
－算法實現(xiàn)
5、模型評估
－評估指標(biāo)
－評估方法
－過擬合評估
6、模型優(yōu)化
－優(yōu)化模型：選擇新模型/修改模型
－優(yōu)化數(shù)據(jù)：新增顯著自變量
－優(yōu)化公式：采用新的計算公式
7、模型應(yīng)用
－模型解讀
－模型部署
－模型應(yīng)用
8、好模型是優(yōu)化出來的

二、分類模型評估
1、三個方面評估：指標(biāo)、方法、過擬合
2、兩大矩陣
－混淆矩陣
－代價矩陣
3、六大指標(biāo)
－正確率Accuracy
－查準(zhǔn)率Precision
－查全率Recall
－特異度Specify
－F度量值（/）
－提升指標(biāo)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(biāo)
－宏指標(biāo)：macro_P, macro_R
－宏指標(biāo)：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(xué)習(xí)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(chǎn)品的可能性？如何預(yù)測客戶行為？
如何預(yù)測客戶流失？銀行如何實現(xiàn)欠貸風(fēng)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(xiàn)及優(yōu)化
－迭代樣本的隨機(jī)選擇
－變化的學(xué)習(xí)率
6、邏輯回歸+正則項
7、求解算法與懲罰項的互斥關(guān)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(xiàn)銀行貸款違約預(yù)測
案例：訂閱者用戶的典型特征（二元邏輯回歸）
案例：通信套餐的用戶畫像（多元邏輯回歸）

四、決策樹
1、分類決策樹簡介
演練：識別銀行欠貨風(fēng)險，提取欠貸者的特征
2、決策樹的三個關(guān)鍵問題
－最優(yōu)屬性選擇
－熵、基尼系數(shù)
－信息增益、信息增益率
－屬性*劃分
－多元劃分與二元劃分
－連續(xù)變量最優(yōu)劃分
－決策樹修剪
－剪枝原則
－預(yù)剪枝與后剪枝
3、構(gòu)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(yōu)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(yù)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
案例：電力竊漏用戶自動識別

五、人工神經(jīng)網(wǎng)絡(luò)
1、神經(jīng)網(wǎng)絡(luò)簡介（ANN）
2、神經(jīng)元基本原理
－加法器
－激活函數(shù)
3、神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
－隱藏層數(shù)量
－神經(jīng)元個數(shù)
4、神經(jīng)網(wǎng)絡(luò)的建立步驟
5、神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問題
6、BP算法實現(xiàn)
7、MLP多層神經(jīng)網(wǎng)絡(luò)
案例：評估銀行用戶拖欠貨款的概率
案例：神經(jīng)網(wǎng)絡(luò)預(yù)測產(chǎn)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(nèi)散席
4、LDA線性判別模型
5、多分類判別分析
案例：MBA學(xué)生錄取判別分析
案例：上市公司類別評估

七、最近鄰分類（KNN）
1、KNN的基本原理
2、K近鄰的關(guān)鍵問題
3、K近鄰的實現(xiàn)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(wǎng)絡(luò)
4、計算類別屬性的條件概率
5、估計連續(xù)屬性的條件概率
6、預(yù)測分類概率（計算概率）
7、拉普拉斯修正
案例：評估銀行用戶拖欠貨款的概率

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

十、模型集成優(yōu)化篇
1、模型的優(yōu)化思想
2、集成模型的框架
－Bagging
－Boosting
－Stacking
3、集成算法的關(guān)鍵過程
－弱分類器如何構(gòu)建
－組合策略：多個弱學(xué)習(xí)器如何形成強(qiáng)學(xué)習(xí)器
4、Bagging集成算法
－數(shù)據(jù)/屬性重抽樣
－決策依據(jù)：少數(shù)服從多數(shù)
－隨機(jī)森林RandomForest
5、Boosting集成算法
－基于誤分?jǐn)?shù)據(jù)建模
－樣本選擇權(quán)重更新
－決策依據(jù)：加權(quán)投票
－AdaBoost模型
6、GBDT模型
7、XGBoost模型
8、LightGBM模型

十一、案例實戰(zhàn)
1、客戶流失預(yù)測和客戶挽留模型
2、銀行欠貸風(fēng)險預(yù)測模型

結(jié)束：課程總結(jié)與問題答疑。

Python分類模型