正文

模型算法有哪些

發(fā)布時(shí)間：2023-03-13 03:17:00 稿源：創(chuàng)意嶺閱讀： 118 問(wèn)大家

大家好！今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于模型算法有哪些的問(wèn)題，以下是小編對(duì)此問(wèn)題的歸納整理，讓我們一起來(lái)看看吧。

ChatGPT國(guó)內(nèi)免費(fèi)在線(xiàn)使用，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話(huà)答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫(xiě)出的就越詳細(xì)，有微信小程序端、在線(xiàn)網(wǎng)頁(yè)版、PC客戶(hù)端

官網(wǎng)：https://ai.de1919.com

本文目錄:

1、常見(jiàn)的分類(lèi)算法有哪些
2、聚類(lèi)算法有哪些
3、聚類(lèi)算法有哪些分類(lèi)
4、金融風(fēng)控AI—評(píng)分卡模型算法(1)

模型算法有哪些

一、常見(jiàn)的分類(lèi)算法有哪些

常見(jiàn)的分類(lèi)算法：

1、決策樹(shù)：決策樹(shù)是一種用于對(duì)實(shí)例進(jìn)行分類(lèi)的樹(shù)形結(jié)構(gòu)。一種依托于策略抉擇而建立起來(lái)的樹(shù)。決策樹(shù)由節(jié)點(diǎn)（node）和有向邊（directed edge）組成。節(jié)點(diǎn)的類(lèi)型有兩種：內(nèi)部節(jié)點(diǎn)和葉子節(jié)點(diǎn)。其中，內(nèi)部節(jié)點(diǎn)表示一個(gè)特征或?qū)傩缘臏y(cè)試條件（用于分開(kāi)具有不同特性的記錄），葉子節(jié)點(diǎn)表示一個(gè)分類(lèi)。

2、貝葉斯：貝葉斯（Bayes）分類(lèi)算法是一類(lèi)利用概率統(tǒng)計(jì)知識(shí)進(jìn)行分類(lèi)的算法，如樸素貝葉斯（Naive Bayes）算法。這些算法主要利用Bayes定理來(lái)預(yù)測(cè)一個(gè)未知類(lèi)別的樣本屬于各個(gè)類(lèi)別的可能性，選擇其中可能性最大的一個(gè)類(lèi)別作為該樣本的最終類(lèi)別。由于貝葉斯定理的成立本身需要一個(gè)很強(qiáng)的條件獨(dú)立性假設(shè)前提，而此假設(shè)在實(shí)際情況中經(jīng)常是不成立的，因而其分類(lèi)準(zhǔn)確性就會(huì)下降。

3、人工神經(jīng)網(wǎng)絡(luò)：人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）是一種應(yīng)用類(lèi)似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型。在這種模型中，大量的節(jié)點(diǎn)（或稱(chēng)”神經(jīng)元”，或”單元”）之間相互聯(lián)接構(gòu)成網(wǎng)絡(luò)，即”神經(jīng)網(wǎng)絡(luò)”，以達(dá)到處理信息的目的。神經(jīng)網(wǎng)絡(luò)通常需要進(jìn)行訓(xùn)練，訓(xùn)練的過(guò)程就是網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)的過(guò)程。

二、聚類(lèi)算法有哪些

基于網(wǎng)格的方法(grid-based methods)，這種方法首先將數(shù)據(jù)空間劃分成為有限個(gè)單元（cell）的網(wǎng)格結(jié)構(gòu),所有的處理都是以單個(gè)的單元為對(duì)象的。代表算法有：STING算法、CLIQUE算法、WAVE-CLUSTER算法。

6、模型算法

基于模型的方法(model-based methods)，基于模型的方法給每一個(gè)聚類(lèi)假定一個(gè)模型，然后去尋找能夠很好的滿(mǎn)足這個(gè)模型的數(shù)據(jù)集。通常有兩種嘗試方向：統(tǒng)計(jì)的方案和神經(jīng)網(wǎng)絡(luò)的方案。

擴(kuò)展資料：

聚類(lèi)分析起源于分類(lèi)學(xué)，在古老的分類(lèi)學(xué)中，人們主要依靠經(jīng)驗(yàn)和專(zhuān)業(yè)知識(shí)來(lái)實(shí)現(xiàn)分類(lèi)，很少利用數(shù)學(xué)工具進(jìn)行定量的分類(lèi)。隨著人類(lèi)科學(xué)技術(shù)的發(fā)展，對(duì)分類(lèi)的要求越來(lái)越高，以致有時(shí)僅憑經(jīng)驗(yàn)和專(zhuān)業(yè)知識(shí)難以確切地進(jìn)行分類(lèi)，于是人們逐漸地把數(shù)學(xué)工具引用到了分類(lèi)學(xué)中，形成了數(shù)值分類(lèi)學(xué)，之后又將多元分析的技術(shù)引入到數(shù)值分類(lèi)學(xué)形成了聚類(lèi)分析。聚類(lèi)分析內(nèi)容非常豐富，有系統(tǒng)聚類(lèi)法、有序樣品聚類(lèi)法、動(dòng)態(tài)聚類(lèi)法、模糊聚類(lèi)法、圖論聚類(lèi)法、聚類(lèi)預(yù)報(bào)法等。

在商業(yè)上，聚類(lèi)可以幫助市場(chǎng)分析人員從消費(fèi)者數(shù)據(jù)庫(kù)中區(qū)分出不同的消費(fèi)群體來(lái)，并且概括出每一類(lèi)消費(fèi)者的消費(fèi)模式或者說(shuō)習(xí)慣。它作為數(shù)據(jù)挖掘中的一個(gè)模塊，可以作為一個(gè)單獨(dú)的工具以發(fā)現(xiàn)數(shù)據(jù)庫(kù)中分布的一些深層的信息，并且概括出每一類(lèi)的特點(diǎn)，或者把注意力放在某一個(gè)特定的類(lèi)上以作進(jìn)一步的分析；并且，聚類(lèi)分析也可以作為數(shù)據(jù)挖掘算法中其他分析算法的一個(gè)預(yù)處理步驟。

參考資料：百度百科-聚類(lèi)算法

三、聚類(lèi)算法有哪些分類(lèi)

聚類(lèi)算法的分類(lèi)有：

1、劃分法

劃分法(partitioning methods)，給定一個(gè)有N個(gè)

5、網(wǎng)格算法

基于網(wǎng)格的方法(grid-based methods)，這種方法首先將數(shù)據(jù)空間劃分成為有限個(gè)單元（cell）的網(wǎng)格結(jié)構(gòu),所有的處理都是以單個(gè)的單元為對(duì)象的。這么處理的一個(gè)突出的優(yōu)點(diǎn)就是處理速度很快，通常這是與目標(biāo)數(shù)據(jù)庫(kù)中記錄的個(gè)數(shù)無(wú)關(guān)的，它只與把數(shù)據(jù)空間分為多少個(gè)單元有關(guān)。

代表算法有：STING算法、CLIQUE算法、WAVE-CLUSTER算法；

6、模型算法

基于模型的方法(model-based methods)，基于模型的方法給每一個(gè)聚類(lèi)假定一個(gè)模型，然后去尋找能夠很好的滿(mǎn)足這個(gè)模型的數(shù)據(jù)集。這樣一個(gè)模型可能是數(shù)據(jù)點(diǎn)在空間中的密度分布函數(shù)或者其它。它的一個(gè)潛在的假定就是：目標(biāo)數(shù)據(jù)集是由一系列的概率分布所決定的。

通常有兩種嘗試方向：統(tǒng)計(jì)的方案和神經(jīng)網(wǎng)絡(luò)的方案。

擴(kuò)展資料：

聚類(lèi)算法的要求：

1、可伸縮性

許多聚類(lèi)算法在小于 200 個(gè)數(shù)據(jù)對(duì)象的小數(shù)據(jù)集合上工作得很好；但是，一個(gè)大規(guī)模數(shù)據(jù)庫(kù)可能包含幾百萬(wàn)個(gè)對(duì)象，在這樣的大數(shù)據(jù)集合樣本上進(jìn)行聚類(lèi)可能會(huì)導(dǎo)致有偏的結(jié)果。

我們需要具有高度可伸縮性的聚類(lèi)算法。

2、不同屬性

許多算法被設(shè)計(jì)用來(lái)聚類(lèi)數(shù)值類(lèi)型的數(shù)據(jù)。但是，應(yīng)用可能要求聚類(lèi)其他類(lèi)型的數(shù)據(jù)，如二元類(lèi)型(binary)，分類(lèi)/標(biāo)稱(chēng)類(lèi)型（categorical/nominal），序數(shù)型（ordinal）數(shù)據(jù)，或者這些數(shù)據(jù)類(lèi)型的混合。

3、任意形狀

許多聚類(lèi)算法基于歐幾里得或者曼哈頓距離度量來(lái)決定聚類(lèi)?；谶@樣的距離度量的算法趨向于發(fā)現(xiàn)具有相近尺度和密度的球狀簇。但是，一個(gè)簇可能是任意形狀的。提出能發(fā)現(xiàn)任意形狀簇的算法是很重要的。

4、領(lǐng)域最小化

許多聚類(lèi)算法在聚類(lèi)分析中要求用戶(hù)輸入一定的參數(shù)，例如希望產(chǎn)生的簇的數(shù)目。聚類(lèi)結(jié)果對(duì)于輸入?yún)?shù)十分敏感。參數(shù)通常很難確定，特別是對(duì)于包含高維對(duì)象的數(shù)據(jù)集來(lái)說(shuō)。這樣不僅加重了用戶(hù)的負(fù)擔(dān)，也使得聚類(lèi)的質(zhì)量難以控制。

5、處理“噪聲”

絕大多數(shù)現(xiàn)實(shí)中的數(shù)據(jù)庫(kù)都包含了孤立點(diǎn)，缺失，或者錯(cuò)誤的數(shù)據(jù)。一些聚類(lèi)算法對(duì)于這樣的數(shù)據(jù)敏感，可能導(dǎo)致低質(zhì)量的聚類(lèi)結(jié)果。

6、記錄順序

一些聚類(lèi)算法對(duì)于輸入數(shù)據(jù)的順序是敏感的。例如，同一個(gè)數(shù)據(jù)集合，當(dāng)以不同的順序交給同一個(gè)算法時(shí)，可能生成差別很大的聚類(lèi)結(jié)果。開(kāi)發(fā)對(duì)數(shù)據(jù)輸入順序不敏感的算法具有重要的意義。

參考資料：百度百科-聚類(lèi)算法

四、金融風(fēng)控AI—評(píng)分卡模型算法(1)

辦理過(guò)信用卡的朋友知道，開(kāi)卡需要先申請(qǐng)（篩選好壞用戶(hù)），可能還會(huì)根據(jù)你的信用情況會(huì)有不同的額度。這就是銀行的信用風(fēng)險(xiǎn)計(jì)量體系。對(duì)于信用卡有4類(lèi)評(píng)分卡：

1）申請(qǐng)?jiān)u分卡（A卡）

2）行為評(píng)分卡（B卡）

3）催收評(píng)分卡（C卡）

4）欺詐評(píng)分卡（F卡）

這些評(píng)分卡算法一樣，只是訓(xùn)練的數(shù)據(jù)不同，所用的參數(shù)也就不同。

螞蟻金服的芝麻信用也是這樣的。

模型的開(kāi)發(fā)主要包含以下幾大部分工作：數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、探索分析、特征選擇、模型訓(xùn)練、模型評(píng)估、建立評(píng)分系統(tǒng)。

本項(xiàng)目數(shù)據(jù)來(lái)源于kaggle競(jìng)賽 Give Me Some Credit 。有訓(xùn)練數(shù)據(jù)共計(jì)15萬(wàn)條。

打開(kāi)數(shù)據(jù)文件大概這個(gè)樣子：

字段描述如下

這部分主要做2個(gè)事情：缺失值處理和異常值處理。

pd的describe()函數(shù)，可以了解數(shù)據(jù)集的缺失值情況。

打開(kāi)DataDescribe.csv

我們可以看大部分?jǐn)?shù)據(jù)有15萬(wàn)條，其中月收入只有12萬(wàn)條，缺了近3萬(wàn)條，家屬數(shù)量14.6萬(wàn)條。

對(duì)于缺失值，根據(jù)不同的情況我們分類(lèi)處理：

（1）如果缺失的不多，比如家屬數(shù)量缺失不多，可以直接刪除含有缺失值的樣本。用dropna()

（2）如果缺失較多，不宜直接全部刪除，根據(jù)樣本之間的相似性填補(bǔ)缺失值。比如用平均值

（3）如果缺失較多，不宜直接全部刪除，根據(jù)變量之間的相關(guān)關(guān)系填補(bǔ)缺失值。比如用隨機(jī)森林法填補(bǔ)。

（4）如果缺失巨大，就失去分析意義，可以將整個(gè)字段刪除

平均值填補(bǔ)只要一句話(huà)：

隨機(jī)森林法填補(bǔ)：

調(diào)用隨機(jī)森林：

異常值是指明顯偏離大多數(shù)抽樣數(shù)據(jù)的數(shù)值，或者直接違背常識(shí)的數(shù)據(jù)，比如年齡是負(fù)數(shù)。對(duì)于違背常識(shí)的記錄直接刪除，而對(duì)于其他異常數(shù)據(jù)需要具體分析：

具體采用哪種方式其實(shí)最好都試一下，看看最后得到的模型怎么樣。因?yàn)樗羞@些操作都是有假設(shè)條件的，而你的數(shù)據(jù)是否滿(mǎn)足這些條件，試過(guò)才知道。

從圖看有異常值不少，不過(guò)一般只把異常的0值去掉。

對(duì)于RevolvingUtilizationOfUnsecuredLines及DebtRatio都是百分?jǐn)?shù)類(lèi)型。其中第一項(xiàng)肯定不能大于100%而且統(tǒng)計(jì)一下這部分異常數(shù)據(jù)不多，果斷刪掉。第二項(xiàng)債務(wù)百分比不敢確定是否可債務(wù)大于100%，統(tǒng)計(jì)了一下有3w多條，而且取出來(lái)看了一下不是很特別，同樣可以試一下刪除或者放入不管或者填充看看最后不同的效果。

這3個(gè)逾期不還次數(shù)指標(biāo)意義相似放一起看，發(fā)現(xiàn)有2個(gè)數(shù)據(jù)特別顯眼，是96，98。雖然按箱型圖的含義所有圓圈都是異常值，但仔細(xì)分析這三個(gè)指標(biāo)發(fā)現(xiàn)正常值絕大部分是0，這就導(dǎo)致了箱型圖的1/4線(xiàn)和3/4線(xiàn)都是0，所以我們通常把頭頂2個(gè)值作為異常值。我把這部分異常值取出來(lái)發(fā)現(xiàn)數(shù)量不多，只有200多條，理論上可以直接刪除或者放在里面置之不理。但是我看了這部分?jǐn)?shù)據(jù)發(fā)現(xiàn)非常異常。這208條數(shù)據(jù)有125條是違約用戶(hù)，違約占比62%，而全量數(shù)據(jù)里面違約占比7%不到，所以我覺(jué)得應(yīng)該把這部分?jǐn)?shù)據(jù)作為一條規(guī)則來(lái)處理，遇到這三個(gè)指標(biāo)有超過(guò)90的數(shù)值，直接報(bào)告警。那么是否可以把這部分?jǐn)?shù)據(jù)留著置之不理呢，后面我試了，發(fā)現(xiàn)會(huì)對(duì)變量之間的相關(guān)性有很大影響（后面會(huì)詳細(xì)講）。

同樣這個(gè)指標(biāo)我們把50以上作為異常值。

這個(gè)指標(biāo)pass

月收入可以去掉特別高的數(shù)據(jù)

家庭成員可以剔除特別高的

第一篇完

以上就是關(guān)于模型算法有哪些相關(guān)問(wèn)題的回答。希望能幫到你，如有更多相關(guān)問(wèn)題，您也可以聯(lián)系我們的客服進(jìn)行咨詢(xún)，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。