动量优化器(Momentum):引入动量项来在更新中考虑之前的梯度方向,可以加速收敛,并减少梯度更新的方差。 AdaGrad(自适应梯度算法):自适应地调整学习率,对于稀疏特征的数据效果较好,但可能造成学习率过小问题。 RMSprop(均方根传播):对AdaGrad进行改进,通过引入移动平均来解决学习率过小的问题。 Adam(自适应矩估计):结合...
27、PSI与CSI 过一点画一条直线:金融风控稳定性指标 PSI & CSI
🌬️京东风控算法面试经验分享 📚面试总体感受: 1️⃣ 对SQL的要求很高,需要掌握SQL优化技巧。 2️⃣ 机器学习知识必不可少,特别是树模型的理论。 3️⃣ 熟悉pandas、numpy,并能熟练使用sklearn。 4️⃣ 深度学习方面,掌握基础理论知识即可,对NLP和图神经网络要有基本了解。💡总结:面试要求全...
常见的方法包括随机欠采样、SMOTE(Synthetic Minority Over-sampling Technique)等。 类别权重调整:通过调整分类算法中不同类别的权重,使得分类器更加关注少数类样本。一些分类算法(如逻辑回归、支持向量机)提供了设置类别权重的参数。 集成方法:使用集成学习算法,如随机森林或梯度提升树(例如XGBoost和LightGBM),能够处理样本...
问题3、常用的异常检测算法pca 和 knn 的原理 PCA 异常检测的原理:PCA在做特征值分解后得到的特征向量反应了原始数据方差变化程度的不同方向,特征值为数据在对应方向上的方差大小。 最大特征值对应的特征向量为数据方差最大的方向,最小特征值对应的特征向量为数据方差最小的方向。原始数据在不同方向上的方差变化反...
说实话在面试前我对于风控业务的了解实在是太少了,没想到还能从APP安装里面挖掘信息。于是一脸懵逼,不清楚是要挖掘什么指标。后面在网上看才了解,主要是看APP里面跟金融有关的各种信息。比如近X天(7天,14天,30天等各种时间窗口)安装的金融类APP数量&占比等。可以参考帖子:https://zhuanlan.zhihu.com/p/78413058...
XGBoost是一种基于梯度提升树(Gradient Boosting Tree)算法的集成学习模型,它在梯度提升树的基础上进行了优化和改进。 XGBoost的主要特点和优势包括: 正则化:XGBoost引入了正则化项来控制模型的复杂度,防止过拟合。它通过控制叶子节点的权重以及树的复杂度来实现正则化,避免单棵树过于复杂。
3、常用的异常检测算法pca 和 knn 的原理 PCA 异常检测的原理:PCA在做特征值分解后得到的特征向量反应了原始数据方差变化程度的不同方向,特征值为数据在对应方向上的方差大小。 最大特征值对应的特征向量为数据方差最大的方向,最小特征值对应的特征向量为数据方差最小的方向。原始数据在不同方向上的方差变化反应了...
57. 风控流程中不同环节的评分卡是怎么设计的? 最近没什么事,总结了机器学习风控算法的一些面试点,这里的风控主要是说的金融风控 1.逻辑回归的优缺点,局限性在哪? 优点: 实现简单,速度快,占用内存小,可在短时间内迭代多个版本的模型。 模型的可解释性非常好,可以直接看到各个特征对模型结果的影响,可解释性在金...
类别权重调整:通过调整分类算法中不同类别的权重,使得分类器更加关注少数类样本。一些分类算法(如逻辑回归、支持向量机)提供了设置类别权重的参数。 集成方法:使用集成学习算法,如随机森林或梯度提升树(例如XGBoost和LightGBM),能够处理样本不平衡问题。这是因为集成算法可以从多个子模型中综合考虑不同类别的情况。 2、快...