首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
您找到你想要的搜索结果了吗?
是的
没有找到

数据分析挖掘:影响信用卡申请因素是什么?银行如何做到快速审批的?

在之前曾经写过一篇叫做“数据分析:未来,你可能发生信用卡逾期吗?”,是分析什么样的人容易发生信用卡逾期行为呢?哪些因素会影响逾期行为的严重程度? 之前的分析还是比较粗浅的,那么接下来从银行的角度,从模型和算法的角度从更加深入和全面的角度探究信用卡违约风险和欺诈行为的识别,并且尝试分析判断信用卡拖欠行为,从而建立一快速识别风险的模型。 具体来说,就是通过对银行的客户信用记录、申请客户信息、拖欠历史记录、消费历史记录做分析,对不同信用程度的客户做归类,研究信用卡拖欠、信用卡欺诈等问题与客户的个人信息、使用信息,

07

18. Eyeball和Blackbox开发集应该多大?

你的 Eyeball 开发集应该足够大,大到可以让你了解到算法的主要错误类别。如果你正在从事一项人类可以表现很好的任务(如识别图像中的猫咪),下面是一些指导方针: • 一个使你分类器犯错10次的Eyeball开发集将会被认为是非常小的。只有10个错误,很难准确估计不同错误类别的影响。但是如果你的数据非常少,而且不能分出更多的Eyeball开发集,有总比没有好,这将有助于项目的优先顺序。 • 如果分类器在Eyeball开发集上犯错约20个样本,你将会大致了解主要的错误来源。 • 如果有约50个错误,你将会比较好的了解错误的来源。 • 如果有约100个错误,你将会很清楚错误的来源。我见过有人手动分析更多的错误——有时候多达500个。只要你有足够的数据。 假设你的分类器有5%的错误率,为了确保Eyeball开发集中有100个错误标记的样本,Eyeball开发集大概有2000个样本(因为0.05*2000 = 100).分类器的错误率越低,为了获取足够多的错误来分析,Eyeball开发集需要足够大。 如果你正在做一个连人类都不能做好的任务,那么检查Eyeball开发集的联系将没有什么必要。因为很难找出算法不能正确分类一个样本的原因。这种情况下,你可能会忽略Eyeball开发集。我们将在后面的章节继续讨论这些指导方针。

08

三要素支撑“人工智能+安防”:识别技术扛大旗

伴随着我国社会经济发展水平的提升,各行业对人工智能技术的落地应用需求也在不断扩大。但目前,很多行业与人工智能的结合还处于概念阶段,安防是为数不多的可以将人工智能成熟应用并落地的行业,为此,很多专家认为安防行业正在成为人工智能的第一着陆场。 近年来,在智慧城市系统建设深入的带动下,人工智能商业化应用的趋势越来越明显。算法、算力、数据,三者可以看做是“人工智能+安防”发展的三要素。当这三要素落地产品应用上时,可主要分为三大类,即:视频结构化(对视频数据的识别和提取)、生物识别技术(指纹识别、人脸识别等)、物体特

06

【Python量化投资】系列之SVR预测第二天开盘趋势和股价的正负统计分析(附代码)

本期导读 ⊙ML、SVM介绍 ⊙股价的正负统计分析 ⊙预测第二天开盘趋势 机器学习方法是计算机科学的一个分支,它借助于计算机算法,对数据进行分析后,实现模式识别,进而实现对未来数据的预测。 机器学习方法可以分为以下几个类别: 1.监督学习: 训练的输出分类是预先设定好的,根据输入和输出,算法的目标在于寻找其中的对应函数。 2.无监督学习: 训练的输出分类是预先不知道的。算法的目标在于发现数据中的结构,如聚类分析。 3.半监督学习: 介于监督学习和无监督学习之间。 4.增强学习: 算法通过执行一系列的

08
领券