Python数据分析行业案例课程：信用评分方法

信用卡评分学习文档 第1章 信用卡评分模型概述 - 1-0 信用卡评分课程介绍 - 1-1 银行业务概述 - 1-2 信用体系与信用风险 - 1-3 从信用评分到评分卡 - 1-4 A、B、C评分卡 - 1-5 信用评分中考虑的因素 第2章 传统银行案例之商业理解 - 2-1 如何定义坏样本 - 2-2 如何建立评分卡模型 第3章 数据理解与数据准备 - 3-1 数据理解与准备 - 3-2 数据不平衡问题 第4章 数据分箱 - 4-1 分箱1概述 - 4-2 分箱2注意事项 - 4-3 分箱3无监督分箱的代码实现 - 4-4 分箱4Best KS法与卡方分箱法 - 4-5 分箱5卡方分箱法的代码实现 - 4-6 分箱6WOE与IV - 4-7 分箱7WOE与IV的代码实现 - 4-8 分箱8案例的具体实现 第5章 应用Logistic回归楑型 - 5-1logistic回归模型的基本概念 - 5-2 logistic回归模型的适用条件 - 5-3 两分类logistic的代码实现 - 5-4 银行案例具体的建模操作 第6章 从模型结果到评分卡 - 6-1 如何将概率转换为分值 - 6-2 评分卡分值的具体计算 - 6-3 如何对评分卡分值进行分段 - 6-4 计算预期违约率 第7章 评分卡的使用与效果监控 - 7-1 模型验证与模型监控 - 7-2 模型区分度的衡量指标 - 7-3 模型准确度的衡量指标 - 7-4 模型稳定性的衡量指标 - 7-5 评分卡模型的部署 - 7-6 评分卡的使用：准入与拒绝 - 7-7 授信额度与利率定价 - 7-8 拒绝推断问题 第8章 互联网金融案例 - 8-1 什么是互联网金融 - 8-2 内部与外部数据源 - 8-3 互联网金融案例的原始数据 - 8-4 数据字典 - 8-5 本案例的特殊性 第9章 互联网金融案例的数据预处理 - 9-1 特征工程概述 - 9-2 数据的探索性分析：概述 - 9-3 数据的探索性分析：代码实现 - 9-4 数据衍生的基本思路 - 9-5 变量衍生函数 - 9-6 具体的变量衍生操作 - 9-7 缺失值处理的基本概念 - 9-8 具体的缺失值处理的代码实现 - 9-9 分类变量的数值化 第10章 分箱操作的自动化实现 - 10-1 初步分箱结果 - 10-2 箱体的自动合并 - 10-3 分箱值批量转换为WOE值 第11章 互联网金童案例的特征筛选 - 11-1 删除低VI和比例超标变量 - 11-2 共线性的识别与处理 - 11–3 删除共线性变量 - 11-4 树模型的基本原理 - 11-5 树模型的各种算法 - 11-6 随机森林 - 11-7 随机森林初筛 第12章 互联网金融案例的建模分析 - 12-1 建模前需要考虑的问题 - 12-2 logistic回归的sklearn实现 - 12-3 手动筛选变量并建模 - 12-4 控制模型复杂度：正则化 - 12-5 参数的网格搜索 - 12-6 搜索最佳惩罚项 课程资料