大家好，我是东哥。之前做过调查，关注我的粉丝很多都是做金融风控的，私下里交流很多小伙伴也希望有一套完整全面的风控课程跟着学习。其实话说回来，这个本也是我自己设定的任务之一了，只不过内容准备时间较缓慢。终于在经过半年日夜打磨（掉头发）之后，我的原创风控课程《100天成为风控专家》（金融信贷领域方向）来了。01课程内容这是一个录播视频+图文结合的课程，其中视频占比80%以上，均由本人录制，未来也可能加入部分直播内容。按照目前拟好的内容大纲来看，本课程至少要更新100期以上，只多不少，内容涵盖业务篇、产品篇、策略篇、模型篇，报表篇、系统篇等6大核心模块，旨在全面提高信贷风控能力。下面是课程概况介绍。此课程是永久回看且目前是在持续更新中的。本人略有点完美主义，因此对待自己交付内容的质量十分严格，内容字斟句酌地修改，视频反复录制，目的是把信贷业务逻辑、个人理解、以及知识点掰开揉碎的讲解，并且为了大家能够真正的掌握，配有大量的实战和实操案例。比如，Vintage报表通过4个小节从理论概念、多方位理解、到底层实现和报表加工逻辑、再到Python和SQL代码的实操，1小时视频+图文，我相信即便刚入行的小白都能看懂消化理解。再比如，机器学习模型自动化调参，通过2个视频40min内容，介绍了框架用法、参数理解、和一个调参实战，并且所有相关的数据和源代码都是完整提供的。所以说，对内容质量以及讲解的逻辑清晰度我是有绝对自信的，毕竟每个内容都是经过自己反复打磨过的。更新进度方面，目前整个框架已经打磨好，已经有部分视频和图文陆续上架了，其余部分正在疯狂输出中，也会马上更新出来。02关于价格本课程价格目前限时优惠中，499元加入后可永久回看，且有专属的交流群，和市面上大部分同类课程几千上万元的价格相比可以说就是白菜价。对于前期支持我的朋友，我会给足优惠福利，但后续随着内容越来越丰富，价格会不断升高恢复原价。因此还是那句话，早加入早享受。第一波的折扣名额已经被抢光了，我又添加了20个名额，价格保持到月底。如果感兴趣的话可以扫码看下课程目录和试看。长按扫码可以试看👇如果有任何疑问，可以加我了解

关于pandas的GUI工具，我之前介绍过pandasgui。可以说，有了GUI可视化界面，操作就和Excel一样简单，本次再介绍一款功能更加强大的GUI神器：D-Tale。这个库的名字为啥要D-Tale呢？东哥好信还去查了下，它是detail的谐音，初衷是要提供数据的所有详细信息。下面介绍下如何使用它。启动、数据加载D-Tale支持多种文件格式，包括CSV、TSV、XLS、XLSX。它是一个以Flask

ROC/AUC作为机器学习的评估指标非常重要，也是面试中经常出现的问题（80%都会问到）。其实，理解它并不是非常难，但是好多朋友都遇到了一个相同的问题，那就是：每次看书的时候都很明白，但回过头就忘了，经常容易将概念弄混。还有的朋友面试之前背下来了，但是一紧张大脑一片空白全忘了，导致回答的很差。我在之前的面试过程中也遇到过类似的问题，我的面试经验是：一般笔试题遇到选择题基本都会考这个率，那个率，或者给一个场景让你选用哪个。面试过程中也被问过很多次，比如什么是AUC/ROC？横轴纵轴都代表什么？有什么优点？为什么要使用它？我记得在我第一次回答的时候，我将准确率，精准率，召回率等概念混淆了，最后一团乱。回去以后我从头到尾梳理了一遍所有相关概念，后面的面试基本都回答地很好。现在想将自己的一些理解分享给大家，希望读完本篇可以彻底记住ROC/AUC的概念。什么是性能度量？我们都知道机器学习要建模，但是对于模型性能的好坏（即模型的泛化能力），我们并不知道是怎样的，很可能这个模型就是一个差的模型，泛化能力弱，对测试集不能很好的预测或分类。那么如何知道这个模型是好是坏呢？我们必须有个评判的标准。为了了解模型的泛化能力，我们需要用某个指标来衡量，这就是性能度量的意义。有了一个指标，我们就可以对比不同模型了，从而知道哪个模型相对好，那个模型相对差，并通过这个指标来进一步调参逐步优化我们的模型。当然，对于分类和回归两类监督学习，分别有各自的评判标准。本篇我们主要讨论与分类相关的一些指标，因为AUC/ROC就是用于分类的性能度量标准。混淆矩阵，准确率，精准率，召回率1.

等，并附有相关资料、展示效果;非常适合机器学习初学者和刚刚入坑数据挖掘的小伙伴。一、为什么要进行数据降维？所谓降维，即用一组个数为

学到了很多，但二者的不同之处在于，他显式地进行了所有梯度计算，以突出概念/数学的清晰性。当然，这么做的缺点也很明显，在每次需要微分一个新函数时，你都要写出它的公式……估计

超参数自动调优教程（附代码框架）决策树、随机森林、bagging、boosting、Adaboost、GBDT、XGBoost总结

超参数自动调优教程（附代码框架）决策树、随机森林、bagging、boosting、Adaboost、GBDT、XGBoost总结

标记），差（用圆标记）：用色调表示红酒的类型，由深度和数据点大小确定的酸度表征总二氧化硫含量。这个解释起来可能有点费劲，但是在试图理解多维数据的隐藏信息时，最好结合一些绘图组件将其可视化。结合形状和

最近在kaggle上有一个调参神器非常热门，在top方案中频频出现，它就是OPTUNA。知道很多小伙伴苦恼于漫长的调参时间里，这次结合一些自己的经验，给大家带来一个LGBM模型+OPTUNA调参的使用教程，这对可谓是非常实用且容易上分的神器组合了，实际工作中也可使用。关于LightGBM不多说了，之前分享过很多文章，它是在XGBoost基础上对效率提升的优化版本，由微软发布的，运行效率极高，且准确度不降。目前是公认比较好，且广泛使用的机器学习模型了，分类回归均可满足。关于调参，也就是模型的超参数调优，可能你会想到GridSearch。确实最开始我也在用GridSearch，暴力美学虽然好，但它的缺点很明显，运行太耗时，时间成本太高。相比之下，基于贝叶斯框架下的调参工具就舒服多了。这类开源工具也很多，常见的比如HyperOPT。当然今天主角不是它，而是另外一个更香的OPTUNA，轻量级且功能更强大，速度也是快到起飞！因为需要用

作者：ChrisCaohttps://zhuanlan.zhihu.com/p/75468124一.