欧美丰满大乳大屁股,日韩激情无码,日本日本一道本线2019

內(nèi)容簡介

　　本書先從背景出發(fā)，闡述黑盒模型存在的問題以及不解決黑盒問題模型可能帶來的后果，引出可解釋機器學(xué)習(xí)的重要性；隨后，我們從可解釋機器學(xué)習(xí)的研究方向，分為內(nèi)在可解釋模型算法和模型事后解析方法兩部分進行介紹，闡述不同模型的原理、應(yīng)用及其可解釋性。z后通過三個不同的應(yīng)用場景，介紹在銀行實戰(zhàn)中的數(shù)據(jù)挖掘方法，由問題、處理方法出發(fā)，結(jié)合可解釋機器學(xué)習(xí)模型結(jié)果，證明模型的有效性和實用性，期望讀者通過對本書的閱讀，可以更快更好的解決實際業(yè)務(wù)問題，而非紙上談兵。業(yè)務(wù)場景均為業(yè)內(nèi)的典型案例，希望能夠?qū)ψx者有所啟發(fā)。同時，本書中還會有大量的公式與代碼，保證內(nèi)容的豐富與嚴(yán)謹(jǐn)，經(jīng)得起推敲，使得讀者知其然且知其所以然。

作者簡介

　　邵平資深數(shù)據(jù)科學(xué)家，索信達控股金融AI實驗室總監(jiān)。在大數(shù)據(jù)、人工智能領(lǐng)域有十多年技術(shù)研發(fā)和行業(yè)應(yīng)用經(jīng)驗。技術(shù)方向涉及可解釋機器學(xué)習(xí)、深度學(xué)習(xí)、時間序列預(yù)測、智能推薦、自然語言處理等?，F(xiàn)主要致力于可解釋機器學(xué)習(xí)、推薦系統(tǒng)、銀行智能營銷和智能風(fēng)控等領(lǐng)域的技術(shù)研究和項目實踐。楊健穎云南財經(jīng)大學(xué)統(tǒng)計學(xué)碩士，高級數(shù)據(jù)挖掘工程師，一個對數(shù)據(jù)科學(xué)有堅定信念的追求者，目前重點研究機器學(xué)習(xí)模型的可解釋性。蘇思達美國天普大學(xué)統(tǒng)計學(xué)碩士，機器學(xué)習(xí)算法專家，長期為銀行提供大數(shù)據(jù)與人工智能解決方案和技術(shù)服務(wù)。主要研究方向為可解釋機器學(xué)習(xí)與人工智能，曾撰寫《可解釋機器學(xué)習(xí)研究報告》和多篇可解釋機器學(xué)習(xí)相關(guān)文章。

圖書目錄

前言
第一部分　背景
第1章　引言2
　1.1　可解釋機器學(xué)習(xí)研究背景2
1.1.1　機器學(xué)習(xí)面臨的挑戰(zhàn)2
1.1.2　黑盒模型存在的問題4
　1.2　模型可解釋性的重要性8
　1.3　國內(nèi)外的模型監(jiān)管政策10
　1.4　本章小結(jié)11
第2章　可解釋機器學(xué)習(xí)12
　2.1　模型的可解釋性12
2.1.1　可解釋性的定義13
2.1.2　可解釋性的分類14
2.1.3　可解釋機器學(xué)習(xí)的研究方向16
　2.2　可解釋性的作用18
2.2.1　產(chǎn)生信任19
2.2.2　提供因果關(guān)系依據(jù)19
2.2.3　幫助模型診斷20
2.2.4　安全使用模型22
2.2.5　避免發(fā)生偏見與歧視22
　2.3　可解釋性的實現(xiàn)23
2.3.1　建模前的可解釋性實現(xiàn)23
2.3.2　建模中的可解釋性實現(xiàn)26
2.3.3　建模后的可解釋性實現(xiàn)28
　2.4　本章小結(jié)29
第二部分　理論
第3章　內(nèi)在可解釋機器學(xué)習(xí)模型32
　3.1　傳統(tǒng)統(tǒng)計模型33
3.1.1　線性回歸33
3.1.2　廣義線性模型37
3.1.3　廣義加性模型41
3.1.4　決策樹48
　3.2　EBM模型52
3.2.1　模型定義52
3.2.2　識別二階交互項53
3.2.3　實現(xiàn)算法56
3.2.4　模型解釋性59
3.2.5　模型的優(yōu)勢與不足62
　3.3　GAMINet模型63
3.3.1　模型定義64
3.3.2　GAMINet的3個重要準(zhǔn)則66
3.3.3　實現(xiàn)算法70
3.3.4　模型解釋性72
3.3.5　模型的優(yōu)勢與不足77
　3.4　RuleFit模型77
3.4.1　模型定義78
3.4.2　規(guī)則提取79
3.4.3　實現(xiàn)算法81
3.4.4　模型解釋性81
3.4.5　模型的優(yōu)勢與不足84
　3.5　Falling Rule Lists模型85
3.5.1　模型定義85
3.5.2　模型參數(shù)估計87
3.5.3　實現(xiàn)算法88
3.5.4　模型解釋性89
3.5.5　模型的優(yōu)勢與不足90
　3.6　GAMMLI模型91
3.6.1　傳統(tǒng)推薦算法的不足92
3.6.2　交互項效應(yīng)擬合方法94
3.6.3　自適應(yīng)軟填充95
3.6.4　模型解釋性97
3.6.5　模型的優(yōu)勢與不足99
　3.7　本章小結(jié)99
第4章　復(fù)雜模型事后解析方法101
　4.1　部分依賴圖102
4.1.1　部分依賴函數(shù)102
4.1.2　估計方法103
4.1.3　部分依賴圖的局限105
4.1.4　個體條件期望圖106
4.1.5　實例演示107
　4.2　累積局部效應(yīng)圖111
4.2.1　從部分依賴圖到累積局部效應(yīng)圖112
4.2.2　累積局部效應(yīng)方程114
4.2.3　實例演示116
4.2.4　ALE方法的優(yōu)劣118
　4.3　LIME事后解析方法118
4.3.1　局部代理模型119
4.3.2　LIME方法的基本流程120
4.3.3　LIME方法的解釋121
4.3.4　LIME方法的優(yōu)劣123
　4.4　SHAP事后解析方法124
4.4.1　SHAP的基本思想125
4.4.2　Shapley Value126
4.4.3　SHAP的實現(xiàn)算法128
4.4.4　SHAP方法的解釋137
4.4.5　SHAP方法的優(yōu)劣140
4.4.6　擴展閱讀141
　4.5　本章小結(jié)143
第三部分　實例
第5章　銀行VIP客戶流失預(yù)警及歸因分析146
　5.1　案例背景146
　5.2　數(shù)據(jù)介紹147
　5.3　建模分析148
5.3.1　目標(biāo)定義148
5.3.2　數(shù)據(jù)處理149
5.3.3　模型構(gòu)建150
5.3.4　流失歸因151
　5.4　營銷建議157
　5.5　代碼展示159
　5.6　本章小結(jié)162
第6章　銀行個人客戶信用評分模型研究163
　6.1　案例背景163
　6.2　數(shù)據(jù)介紹164
　6.3　建模分析165
6.3.1　目標(biāo)定義165
6.3.2　數(shù)據(jù)處理166
6.3.3　模型構(gòu)建167
　6.4　三種方法對比180
　6.5　代碼展示182
　6.6　擴展思考：基于規(guī)則的特征衍生186
　6.7　本章小結(jié)188
第7章　銀行理財產(chǎn)品推薦建模分析189
　7.1　場景介紹189
7.1.1　推薦系統(tǒng)190
7.1.2　銀行中的推薦系統(tǒng)193
　7.2　數(shù)據(jù)介紹196
7.2.1　推薦場景數(shù)據(jù)特點196
7.2.2　Santander數(shù)據(jù)集197
　7.3　建模分析199
7.3.1　數(shù)據(jù)處理199
7.3.2　模型構(gòu)建200
7.3.3　模型結(jié)果評估204
　7.4　案例分析208
　7.5　本章小結(jié)211