第一应用研究院 量化风控算法集训营
课程导师
安迪老师
现任某行业头部数据分析咨询公司
高级数据建模师
毕业于新加坡国立大学统计系，多年数据分析
领域从业经验，有丰富的数据分析、统计建
模、数据产品研发的实战经验。曾在国际知名
期刊上发表数篇应用统计论文，在2016一
2018年间于某211财经大学统计学院担任硕
士生业界兼职导师。
课程亮点
风控常用分析算法一课搞定
帮助你拓展分析思路和方法
增大能力边界
课程包括：线性回归、广义线性回归、模型性
能评估、决策树与随机森林、ADABOOST模
型和GBDT模型、XGBOOSTING模型和
LIGHTGBM模型、聚类模型、深度学习模
型、风控场景中的前沿模型等。
风控场景案例
快速掌握并直接解决工作问题
每个算法均配合风险场景案例，帮助理解算法
应用；提供代码，赋能学员，直接解决工作中
的问题。如聚类模型中会以「风险中客户分
群」为案例。
成长为offer收割机
包含面试常见问题，提高面试通过率
例如，“缺失值如何处理？”“如何进行客户
分群”“过拟合和欠拟合怎么产生和如何避
免”等高频面试问题都可以在这门课得到答
案。
课程大纲
第一节：概率统计的基础知识
·概率与统计的初窥
·离散型随机变量及其分布
·连续型随机变量及其分布
·条件概率
·全概率公式
·联合分布
·边缘分布
·贝叶斯定理
·参数估计的方法：点估计
·参数估计的方法：极大似然估计
·案例：经典统计学小问题
第一节：概率统计的基础知识
·概率与统计的初窥
·离散型随机变量及其分布
·连续型随机变量及其分布
·条件概率
·全概率公式
·联合分布
·边缘分布
·贝叶斯定理
·参数估计的方法：点估计
·参数估计的方法：极大似然估计
·案例：经典统计学小问题
第二节：线性回归模型
·什么是回归
·一元线性回归模型基本概念
·最小二乘法估计一元线性回归模型
的参数
·极大似然估计法估计一元线性回归
模型的参数
·多元线性回归的基本概念
·多元线性回归的参数估计
·线性回归模型中的假设检验
·逐步回归法挑选变量
·案例：线性回归模型填补缺失值
第三节：广义线性回归模型
·广义线性回归模型的介绍与指数族
分布的概念
·什么是逻辑回归模型
·逻辑回归模型的参数估计
·多分类场景下的逻辑回归模型
·什么是泊松回归
·什么是回归
·一元线性回归模型基本概念
·最小二乘法估计一元线性回归模型
的参数
·极大似然估计法估计一元线性回归
模型的参数
·多元线性回归的基本概念
·多元线性回归的参数估计
·线性回归模型中的假设检验
·逐步回归法挑选变量
·案例：线性回归模型填补缺失值
第三节：广义线性回归模型
·广义线性回归模型的介绍与指数族
分布的概念
·什么是逻辑回归模型
·逻辑回归模型的参数估计
·多分类场景下的逻辑回归模型
·什么是泊松回归
·泊松回归模型的参数估计
·案例：泊松回归模型预测信用卡申
请人数
第四节：模型性能评估
·过拟合与欠拟合
·训练集、测试集、验证集的基本概
念
·K-折交叉验证法
·回归场景下的模型性能度量及损失
函数
·分类场景下的模型性能度量及损失
函数
·案例：逻辑回归模型的性能检验
第五节：决策树与随机森林
·决策树模型基本概念
·基于分而治之法的决策树模型的构
造
·决策树的剪枝
·随机森林模型的基本概念
·随机森林模型的调参
·基于随机森林模型的变量重要性评
估
·延申：模型集成的思想
·案例：随机森林预测客户流失风险
第六节：
AdaBoost模型和GBDT模型
·Boosting模型的介绍
·AdaBoost模型的基本概念与构造
·GBDT模型的基本概念与构造
·GBDT模型的调参
·基于GBDT的变量重要性评估
·AdaBoost模型和GBDT模型的对比
·案例：泊松回归模型预测信用卡申
请人数
第四节：模型性能评估
·过拟合与欠拟合
·训练集、测试集、验证集的基本概
念
·K-折交叉验证法
·回归场景下的模型性能度量及损失
函数
·分类场景下的模型性能度量及损失
函数
·案例：逻辑回归模型的性能检验
第五节：决策树与随机森林
·决策树模型基本概念
·基于分而治之法的决策树模型的构
造
·决策树的剪枝
·随机森林模型的基本概念
·随机森林模型的调参
·基于随机森林模型的变量重要性评
估
·延申：模型集成的思想
·案例：随机森林预测客户流失风险
第六节：
AdaBoost模型和GBDT模型
·Boosting模型的介绍
·AdaBoost模型的基本概念与构造
·GBDT模型的基本概念与构造
·GBDT模型的调参
·基于GBDT的变量重要性评估
·AdaBoost模型和GBDT模型的对比
·案例：GBDT模型预测客户流失风险
第七节：XGBoosting模型和
LightGBM模型
·XGBoosting模型的基本概念与构造
·XGBoosting模型的优缺点
·LightGBM模型的基本概念与构造
·LightGBM模型的技巧
·XGBoosting模型和LightGBM模型
的调参
·XGBoosting模型和LightGBM模型
的对比
·案例：LightGBM模型预测客户违
约概率
第八节：聚类模型
·聚类的三种场景：有监督聚类、无
监督聚类和半监督聚类
·距离的基本概念
第七节：XGBoosting模型和
LightGBM模型
·XGBoosting模型的基本概念与构造
·XGBoosting模型的优缺点
·LightGBM模型的基本概念与构造
·LightGBM模型的技巧
·XGBoosting模型和LightGBM模型
的调参
·XGBoosting模型和LightGBM模型
的对比
·案例：LightGBM模型预测客户违
约概率
第八节：聚类模型
·聚类的三种场景：有监督聚类、无
监督聚类和半监督聚类
·距离的基本概念
·K-均值模型
·K-邻近模型
·KD树的基本概念
·密度聚类模型介绍
·层次聚类模型介绍
·案例：客群分群
第九节：深度学习模型入门
·神经网络模型简介
·常用的激活函数的介绍
·反向传播法
·神经网络模型如何避免过拟合
·卷积神经网络模型简介
·循环神经网络模型简介
·LSTM模型简介
·案例：信用卡客户违约预测
·K-邻近模型
·KD树的基本概念
·密度聚类模型介绍
·层次聚类模型介绍
·案例：客群分群
第九节：深度学习模型入门
·神经网络模型简介
·常用的激活函数的介绍
·反向传播法
·神经网络模型如何避免过拟合
·卷积神经网络模型简介
·循环神经网络模型简介
·LSTM模型简介
·案例：信用卡客户违约预测
第十节：
风控场景中的前沿模型
·生成对抗模型
·迁移学习模型
•小样本学习
·标签不充足问题
·案例：正标签缺失下的违约预测模
型开发
·案例：信用卡客户违约预测
风控场景中的前沿模型
·生成对抗模型
·迁移学习模型
•小样本学习
·标签不充足问题
·案例：正标签缺失下的违约预测模
型开发
·案例：信用卡客户违约预测
