前言最近调研了一下我做的项目受欢迎程度，大数据分析方向竟然排第一，尤其是这两年受疫情影响，大家都非常担心自家公司裁员或倒闭，都想着有没有其他副业搞搞或者炒炒股、投资点理财产品，未雨绸缪，所以不少小伙伴要求我这边分享下关于股票预测分析的技巧。基于股票数据是一个和时间序列相关的大数据，所以我打算给大家分享时下最受欢迎的时序模型：LSTM、XGBoost两大经典模型。@目录前言一、模型简介1.1LSTM神经网络模型1.2XGBoost机器学习模型二、项目详细介绍项目目的2.1导入数据2.2研究数据2.3数据预处理2.4搭建模型2.4.1LSTM神经网络模型2.4.2XGBoost模型搭建2.5数据可
实现功能：python实现Lasso回归分析（特征筛选、建模预测）输入结构化数据，含有特征以及相应的标签，采用Lasso回归对特征进行分析筛选，并对数据进行建模预测。实现代码：importnumpyasnpimportwarningswarnings.filterwarnings(action='ignore')importpandasaspdimportmatplotlib.pyplotaspltfromsklearnimportmetricsfromsklearn.metricsimportmean_squared_errorfromsklearn.linear_modelimportLa
9、训练随机森林并绘制ROC曲线importmatplotlib.pyplotaspltfromsklearn.svmimportSVCfromsklearn.ensembleimportRandomForestClassifierfromsklearn.metricsimportplot_roc_curvefromsklearn.datasetsimportload_winefromsklearn.model_selectionimporttrain_test_splitplt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.
实现功能：python实现Lasso回归分析（特征筛选、建模预测）输入结构化数据，含有特征以及相应的标签，采用Lasso回归对特征进行分析筛选，并对数据进行建模预测。实现代码：importnumpyasnpimportwarningswarnings.filterwarnings(action='ignore')importpandasaspdimportmatplotlib.pyplotaspltfromsklearnimportmetricsfromsklearn.metricsimportmean_squared_errorfromsklearn.linear_modelimportLa
9、训练随机森林并绘制ROC曲线importmatplotlib.pyplotaspltfromsklearn.svmimportSVCfromsklearn.ensembleimportRandomForestClassifierfromsklearn.metricsimportplot_roc_curvefromsklearn.datasetsimportload_winefromsklearn.model_selectionimporttrain_test_splitplt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.
一、信贷风控简介信贷风控是数据挖掘算法最成功的应用之一，这在于金融信贷行业的数据量很充足，需求场景清晰及丰富。信贷风控简单来说就是判断一个人借了钱后面（如下个月的还款日）会不会按期还钱。更专业来说，信贷风控是还款能力及还款意愿的综合考量，根据这预先的判断为信任依据进行放贷，以此大大提高了金融业务效率。与其他机器学习的工业场景不同，金融是极其厌恶风险的领域，其特殊性在于非常侧重模型的解释性及稳定性。业界通常的做法是基于挖掘多维度的特征建立一套可解释及效果稳定的规则及风控模型对每笔订单/用户/行为做出判断决策。其中，对于（贷前）申请前的风控模型，也称为申请评分卡--A卡。A卡是风控的关键模型，业界
（一）微调/迁移学习数据标注是一个很贵的事情，我们希望在经过大量的数据训练以后。我们的模型具备了一定的学习能力，在以后只需要给一点点的提示就能够学会一个新的事物。就是迁移学习的概念，名字不一样而已。（1）网络架构一个神经网络可以分为两块特征收取将原始像素变为能够线性分割的特征线性分类器来做分类那么微调是怎么做的呢？有一个神经网络net，它的训练来自于A数据集，而我的项目是B数据集。我希望能够net经过微小的调整之后，也能够用在B数据集上。也就是特征提取的那一部分仍起作用，只是说分类层需要重新训练。训练：是一个目标数据集上的正常任务，但是用更强的正则化：使用更小的学习率使用更少的数据迭代如果源数
一、信贷风控简介信贷风控是数据挖掘算法最成功的应用之一，这在于金融信贷行业的数据量很充足，需求场景清晰及丰富。信贷风控简单来说就是判断一个人借了钱后面（如下个月的还款日）会不会按期还钱。更专业来说，信贷风控是还款能力及还款意愿的综合考量，根据这预先的判断为信任依据进行放贷，以此大大提高了金融业务效率。与其他机器学习的工业场景不同，金融是极其厌恶风险的领域，其特殊性在于非常侧重模型的解释性及稳定性。业界通常的做法是基于挖掘多维度的特征建立一套可解释及效果稳定的规则及风控模型对每笔订单/用户/行为做出判断决策。其中，对于（贷前）申请前的风控模型，也称为申请评分卡--A卡。A卡是风控的关键模型，业界
（一）微调/迁移学习数据标注是一个很贵的事情，我们希望在经过大量的数据训练以后。我们的模型具备了一定的学习能力，在以后只需要给一点点的提示就能够学会一个新的事物。就是迁移学习的概念，名字不一样而已。（1）网络架构一个神经网络可以分为两块特征收取将原始像素变为能够线性分割的特征线性分类器来做分类那么微调是怎么做的呢？有一个神经网络net，它的训练来自于A数据集，而我的项目是B数据集。我希望能够net经过微小的调整之后，也能够用在B数据集上。也就是特征提取的那一部分仍起作用，只是说分类层需要重新训练。训练：是一个目标数据集上的正常任务，但是用更强的正则化：使用更小的学习率使用更少的数据迭代如果源数
