<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[yilulvxing的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/yilulvxing</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; yilulvxing]]></copyright><item><title><![CDATA[【小微】非财务分析方法]]></title><link>https://blog.csdn.net/yilulvxing/article/details/137102125</link><guid>https://blog.csdn.net/yilulvxing/article/details/137102125</guid><author>yilulvxing</author><pubDate>Thu, 28 Mar 2024 10:43:58 +0800</pubDate><description><![CDATA[​	目前“扶小微、促实体”成为国家战略任务 ，在金融支持小微企业的政策指引之下，多项政策出台支持小微良性发展，银行及金融机构发放小微企业贷款的连续多年增长。整体来看，行业空间巨大。​	银行和金融机构需要在保证风险可控的前提下实现盈利收入，但怎么才能实现风险可控，当前还处在不断探索阶段。目前绝大多数的资料对于小微企业的分析侧重对小微企业的财务数据分析，如：财务数据、税务数据等，贷款调查确实离不开财务分析，财务分析是基础。但实际上，小微企业财务数据不健全、数据缺失、报表不规范是非常普遍的现象。]]></description><category></category></item><item><title><![CDATA[AB Test数学原理及金融风控应用]]></title><link>https://blog.csdn.net/yilulvxing/article/details/130899274</link><guid>https://blog.csdn.net/yilulvxing/article/details/130899274</guid><author>yilulvxing</author><pubDate>Sat, 27 May 2023 13:27:00 +0800</pubDate><description><![CDATA[AB Test数学原理及金融风控应用]]></description><category></category></item><item><title><![CDATA[风控——利用决策树挖掘策略规则]]></title><link>https://blog.csdn.net/yilulvxing/article/details/126688224</link><guid>https://blog.csdn.net/yilulvxing/article/details/126688224</guid><author>yilulvxing</author><pubDate>Sun, 04 Sep 2022 13:06:58 +0800</pubDate><description><![CDATA[风控，基于决策树自动挖掘策略规则]]></description><category></category></item><item><title><![CDATA[风控策略调优讲解及案例分析]]></title><link>https://blog.csdn.net/yilulvxing/article/details/124561157</link><guid>https://blog.csdn.net/yilulvxing/article/details/124561157</guid><author>yilulvxing</author><pubDate>Tue, 03 May 2022 20:48:27 +0800</pubDate><description><![CDATA[目录

1: 策略调优简介

1.1: 什么是策略调优

1.2: 策略调优应用场景

1.3: 策略调优的分类

1.4: 策略调优的主要步骤

2: A类调优讲解

2.1: 传统型调优

2.2: 临时型调优

2.3: A类调优案例

3: D类调优讲解

3.1: D类调优案例





现将原知乎文章同步至本博客中：风控策略调优讲解及案例分析https://zhuanlan.zhihu.com/p/504188902

1: 策略调优简介



1.1: 什么是策略调优

客户有生命周期，与客户]]></description><category></category></item><item><title><![CDATA[贷前风控策略审批及决策引擎——策略审批架构搭建]]></title><link>https://blog.csdn.net/yilulvxing/article/details/124359779</link><guid>https://blog.csdn.net/yilulvxing/article/details/124359779</guid><author>yilulvxing</author><pubDate>Sat, 23 Apr 2022 09:59:01 +0800</pubDate><description><![CDATA[本文是FAL量化风控全线条训练营的听课笔记，对此感兴趣的可以去关注FAL金科应用研究院的公众号、知乎、官网去了解相关内容。现将核心内容进行整理，补充一些自己的理解和总结，便于结合自己当前工作内容，提升认知。
若对风控领域感兴趣，风控相关行业分析报告、论文、竞赛数据及代码可以私我，共同交流。
知乎文章
本文主要讲解贷前风控产品流程&amp; 策略审批架构搭建 &amp; 数据源及其相关注意事项。
首先，什么是策略？

可以实现目标的方案集合
根据形势发展而指定的行动方针和斗争方法
有斗争艺术，能注意方式方法
]]></description><category></category></item><item><title><![CDATA[基于Python实现的数据质量检查]]></title><link>https://blog.csdn.net/yilulvxing/article/details/123998440</link><guid>https://blog.csdn.net/yilulvxing/article/details/123998440</guid><author>yilulvxing</author><pubDate>Wed, 06 Apr 2022 20:07:21 +0800</pubDate><description><![CDATA[1:应用场景

    数据分析工程师 &amp; 算法工程师主要工作流程大体可分为：数据获取 -&gt; 数据分析 -&gt;业务决策(通常算法工程师会多一项数据建模过程)。数据获取是前提，数据获取可以是通过数仓宽表进行多级关联得到的结构化数据，也可以是通过爬虫解析后获取的原始数据，后者可能未经过完整的ETL数据清洗过程，原始数据很可能存在空值、异常值、错误字符等情况。

在整个纵向的工作流程中，如果使用的基础数据有问题，基于这些数据得到的产出都是低价值甚至可能得出错误的结论，G...]]></description><category></category></item><item><title><![CDATA[2021书单总结]]></title><link>https://blog.csdn.net/yilulvxing/article/details/122393357</link><guid>https://blog.csdn.net/yilulvxing/article/details/122393357</guid><author>yilulvxing</author><pubDate>Sun, 09 Jan 2022 16:08:37 +0800</pubDate><description><![CDATA[看了下时间，上次在CSDN上写博客是还是在年初，转眼都快一年过去了....，今年大部分时间都在极客专栏和Medium中阅读相关的专栏，进一步夯实计算机基础知识，此外还有各领域相关的算法&amp;大数据应用方面的，以及一些其他思维认知读物等，在这里做个书单总结，一些比较好的，会安利一波....

    首先，我将书单分为4类，分别为：专业技术、行业总结、思维认知、其他读物，并附上推荐指数。

分类
			书名
			推荐指数
		专业技术
			操作系统导论
			* * * * *
		Eff...]]></description><category></category></item><item><title><![CDATA[T-MGCN时间多图卷积网络用于交通流预测]]></title><link>https://blog.csdn.net/yilulvxing/article/details/112750929</link><guid>https://blog.csdn.net/yilulvxing/article/details/112750929</guid><author>yilulvxing</author><pubDate>Wed, 20 Jan 2021 23:00:21 +0800</pubDate><description><![CDATA[论文：《Temporal Multi-Graph Convolutional Network for Traffic Flow Prediction》

下载链接：链接：https://pan.baidu.com/s/1fiSaVRkdJ2ywB_8nufgMjw   提取码：y3hr

2020年发表在IEEE Transaction on Intelligent Transpotation System上的一篇文，文中的一些多图构造逻辑及思路可以借鉴。

1：摘要

交通流预测在智能交通系统中扮...]]></description><category></category></item><item><title><![CDATA[机器学习模型融合案例]]></title><link>https://blog.csdn.net/yilulvxing/article/details/112095165</link><guid>https://blog.csdn.net/yilulvxing/article/details/112095165</guid><author>yilulvxing</author><pubDate>Sat, 02 Jan 2021 13:57:21 +0800</pubDate><description><![CDATA[模型融合目标：


对于多种调参完成的模型进行模型融合


完成对于多种模型的融合，提交融合结果



1：内容介绍
模型融合大体来说有如下的类型方式：


1：简单加权融合:

回归（分类概率）：算术平均融合（Arithmetic mean），几何平均融合（Geometric mean）
分类：投票（Voting)
综合：排序融合(Rank averaging)，log融合



2：stacking/blending:

构建多层模型，并利用预测结果再拟合预测



3：boosting/bagging]]></description><category></category></item><item><title><![CDATA[图论-路径优化算法总结]]></title><link>https://blog.csdn.net/yilulvxing/article/details/111998476</link><guid>https://blog.csdn.net/yilulvxing/article/details/111998476</guid><author>yilulvxing</author><pubDate>Wed, 30 Dec 2020 21:15:48 +0800</pubDate><description><![CDATA[目录

1：Dijkstra算法

1.1：算法思想

1.2：算法步骤

1.3：代码演示

1.4：算法实例

1.4：算法优缺点

2：A* 算法

2.1：算法思想

2.2：算法步骤

2.3：Dijkstras算法与A*算法的比较

3：Floyd算法

3.1：算法思想

3.2：算法步骤

3.3：算法实例

3.4：算法优缺点

1：Dijkstra算法

迪杰斯特拉（Dijkstra）算法是典型的最短路径的算法，用来求得从起始点到其他所有点最短路径（单源最短路径）。该算法采用了贪心的思想]]></description><category></category></item><item><title><![CDATA[标签稀疏类别不平衡问题解决方案总结]]></title><link>https://blog.csdn.net/yilulvxing/article/details/111396700</link><guid>https://blog.csdn.net/yilulvxing/article/details/111396700</guid><author>yilulvxing</author><pubDate>Sat, 19 Dec 2020 11:48:30 +0800</pubDate><description><![CDATA[1：定义

类别不平衡（class-imbalance）是指分类任务中不同类别的训练样例数目差别很大的情况。

在现实的分类任务中，我们会经常遇到类别不平衡的问题。一般来说，不平衡样本会导致训练模型侧重样本数目较多的类别，而“轻视”样本数目较少类别，这样模型在测试数据上的泛化能力就会受到影响。比如在金融反欺诈中，欺诈交易的应该是很少部分，绝大部分交易是正常的，这就是一个正常的类别不平衡问题，假设数据集中有99个正例样本，1个负例样本。在不考虑样本不平衡的很多情况下，学习算法会使分类器放弃负例预测，因为把所.]]></description><category></category></item><item><title><![CDATA[图卷积神经网络5：图卷积的应用]]></title><link>https://blog.csdn.net/yilulvxing/article/details/110732526</link><guid>https://blog.csdn.net/yilulvxing/article/details/110732526</guid><author>yilulvxing</author><pubDate>Sun, 06 Dec 2020 12:56:04 +0800</pubDate><description><![CDATA[备注：本篇博客摘自某培训机构上的图神经网络讲解的视频内容，该视频关于图神经网络入门讲解、经典算法的引入和优缺点的介绍比较详细，逻辑主线也比较清晰。因此记录分享下。

前几篇介绍了谱域图卷积及空域图卷积：

图卷积神经网络1-谱域卷积：拉普拉斯变换到谱域图卷积

图卷积神经网络2-谱域卷积：SCNN/ChebNet/GCN的引入和介绍

图卷积神经网络3-空域卷积：GNN/GraphSAGE/PGC的引入和介绍

图卷积神经网络4-空域卷积：空域卷积局限性分析和过平滑解决方案

本篇博客主要讲解图卷积神经网络]]></description><category></category></item><item><title><![CDATA[图卷积神经网络4-空域卷积：空域卷积局限性分析和过平滑解决方案]]></title><link>https://blog.csdn.net/yilulvxing/article/details/110352274</link><guid>https://blog.csdn.net/yilulvxing/article/details/110352274</guid><author>yilulvxing</author><pubDate>Fri, 04 Dec 2020 18:51:48 +0800</pubDate><description><![CDATA[备注：本篇博客摘自某培训机构上的图神经网络讲解的视频内容，该视频关于图神经网络入门讲解、经典算法的引入和优缺点的介绍比较详细，逻辑主线也比较清晰。因此记录分享下。

目录



1：图卷积神经网络回顾

2：空域图卷积局限性分析

3：过平滑问题的若干缓解方案

4：总结

1：图卷积神经网络回顾

图卷积神经网络分类：









上图列出的图卷积缺点，使得谱域图卷积不能实际使用，而造成这种缺点的原因是正交基，能不能找到另外的基来代替呢？下面来看通过切比雪夫公式来看：



为什么使用切比雪...]]></description><category></category></item><item><title><![CDATA[图卷积神经网络3-空域卷积：GNN/GraphSAGE/PGC的引入和介绍]]></title><link>https://blog.csdn.net/yilulvxing/article/details/110311426</link><guid>https://blog.csdn.net/yilulvxing/article/details/110311426</guid><author>yilulvxing</author><pubDate>Fri, 04 Dec 2020 18:48:37 +0800</pubDate><description><![CDATA[备注：本篇博客摘自某培训机构上的图神经网络讲解的视频内容，该视频关于图神经网络入门讲解、经典算法的引入和优缺点的介绍比较详细，逻辑主线也比较清晰。因此记录分享下。

1：简介

1.1：回顾谱域卷积







1.2：谱域图卷积的缺陷



















2：空域卷积模型

2.1：GNN



GNN回答卷积就是：固定数量领域节点排序后，与相同数量的卷积核参数相乘求和。这有点绕口，实际上就是说，GNN认为卷积分为两步，第一步构建领域，第二步对领域上的节点与卷积核参数进行内积操作（..]]></description><category></category></item><item><title><![CDATA[图卷积神经网络2-谱域卷积：SCNN/ChebNet/GCN的引入和介绍]]></title><link>https://blog.csdn.net/yilulvxing/article/details/110310255</link><guid>https://blog.csdn.net/yilulvxing/article/details/110310255</guid><author>yilulvxing</author><pubDate>Thu, 03 Dec 2020 21:06:12 +0800</pubDate><description><![CDATA[备注：本篇博客摘自某培训机构上的图神经网络讲解的视频内容，该视频关于图神经网络入门讲解、经典算法的引入和优缺点的介绍比较详细，逻辑主线也比较清晰。因此记录分享下。

目录

1：简介

2：SCNN

3：ChebNet

4：GCN

GCN特点

5：总结

5.1：图卷积实现思路

5.2：谱域图卷积实现理论支撑

5.3：经典图谱卷积

上一篇文章链接：文章地址

继续上一篇的图卷积推导过程：



上面公式推导的结果就是谱域图卷积最终的公式，所有的谱域图卷积的原理就是这个公式，只是对滤波器 ​做.]]></description><category></category></item><item><title><![CDATA[图卷积神经网络1-谱域图卷积：拉普拉斯变换到谱域图卷积]]></title><link>https://blog.csdn.net/yilulvxing/article/details/110308247</link><guid>https://blog.csdn.net/yilulvxing/article/details/110308247</guid><author>yilulvxing</author><pubDate>Sun, 29 Nov 2020 11:51:52 +0800</pubDate><description><![CDATA[备注：本篇博客摘自某培训机构上的图神经网络讲解的视频内容，该视频关于图神经网络入门讲解、经典算法的引入和优缺点的介绍比较详细，逻辑主线也比较清晰。因此记录分享下。
目录：

图卷积近年发展
图卷积简介
2.1. 经典卷积神经网络的应用
2.2. 经典卷积神经网络的局限
2.3.  如何将卷积操作拓展到图结构数据中？
谱域卷积
3.1. 图谱卷积背景知识
3.2. 图谱卷积的数学知识
3.3. 图傅里叶变换
3.4. 图傅里叶反变换
3.5. 图傅里叶正变换
3.6. 经典傅里叶变换与图傅里叶变换的对比
3.]]></description><category></category></item><item><title><![CDATA[Pytorch-基于GCN/GAT/Chebnet图神经网络实现的交通流预测(附代码)]]></title><link>https://blog.csdn.net/yilulvxing/article/details/110306999</link><guid>https://blog.csdn.net/yilulvxing/article/details/110306999</guid><author>yilulvxing</author><pubDate>Sun, 29 Nov 2020 11:50:01 +0800</pubDate><description><![CDATA[Pytorch代码地址
1:目录结构

基于图神经网络实现的交通流量预测，主要包括：GCN、GAR、ChebNet算法。
2:数据集信息
数据来自美国的加利福尼亚州的洛杉矶市，CSV文件是关于节点的表示情况，一共有307个节点，npz文件是交通流量的文件，每5分钟输出节点数据信息。
数据集信息：

PEMS-04
数据时间范围：2018.1.1—2018.2.28
节点信息：共307个检测器，即Nodes数量为307
3个特征：流量值，占有率，速度值。

3:数据探索
dataView.py 文件为数据可视]]></description><category></category></item><item><title><![CDATA[T-GCN-时间图卷积网络交通速度中的预测]]></title><link>https://blog.csdn.net/yilulvxing/article/details/109861439</link><guid>https://blog.csdn.net/yilulvxing/article/details/109861439</guid><author>yilulvxing</author><pubDate>Fri, 20 Nov 2020 22:38:29 +0800</pubDate><description><![CDATA[论文原始链接
1:摘要
实时准确的交通预测在智能交通系统中城市交通规划，交通管理和交通控制起着重要的作用和意义。然而，由于城市道路网络拓扑结构的约束和时间的动态变化规律，流量预测一直被认为是一个科学问题，即：空间依赖和时间依赖。为了捕获时空间依赖性，本文提出了T-GCN（temporal graph convolutional network），模型融合了图卷积网络(GCN)和门控递归单元(GRU)。GCN用于学习复杂的拓扑结构来捕获空间依赖关系，GRU用于学习交通数据的动态变化来捕获时间依赖关系。T-GC]]></description><category></category></item><item><title><![CDATA[论文笔记：图卷积在智能交通中的应用综述]]></title><link>https://blog.csdn.net/yilulvxing/article/details/109680805</link><guid>https://blog.csdn.net/yilulvxing/article/details/109680805</guid><author>yilulvxing</author><pubDate>Fri, 13 Nov 2020 19:56:30 +0800</pubDate><description><![CDATA[原始论文地址
1：摘要和引言
最近几年，深度学习在解决复杂问题已经取得较好的效果，并且利用多种深度学习技术的组合能够处理交通业务的很多问题，如处理时间、空间依赖关系。传统上，很多研究工作将交通网络建模为网格或者分段的结构化的形式，但是很多交通网络本质上是图的结构，非图结构建模会导致某些有用的空间信息的丢失。随着图神经网络 graph neural networks (GNNs)的提出和应用。交通领域中，构建基于图视角的深度学习框架也越来越多。本论文旨在对这些框架进行总结，提供一个全面、深入、细致、实用性强的]]></description><category></category></item><item><title><![CDATA[Pytorch复现STGCN:基于图卷积时空神经网络在交通速度中的预测]]></title><link>https://blog.csdn.net/yilulvxing/article/details/109545468</link><guid>https://blog.csdn.net/yilulvxing/article/details/109545468</guid><author>yilulvxing</author><pubDate>Wed, 11 Nov 2020 19:35:34 +0800</pubDate><description><![CDATA[1：论文信息
1.1：论文思路
1.2：摘要引言总结]]></description><category></category></item></channel></rss>