技术在不断探索中改变了底层的游戏规则
算法的主要挑战在于数据扩展降低质量,不同来源的异构数据相关性弱,共线性,高维,稀疏,会出现样本不足、分布不均、波动性大等多种问题。
总体上,通过深度学习发现高价值的模式和特征,通过图计算推理和关联,并且要强调模型在特别应用场景下的可解释性。
具体的,深度学习应用在大数据信用计算方面,有不同的尝试:
1)早期的算法有评分卡等。是信用风险评估领域常见、通用的建模框架,将原始数据通过分箱后进行特征工程变换,继而应用于线性模型进行建模。统计有WOE、IV、ROC、信息熵,变量分析通过VIF。
2)后来的机器学习:支持向量机(SVM)、决策树、随机森林、自适应提升(ADABOOST)和梯度提升决策树(GBDT)等;
A、例如用KERAS的AUTOENCODER自编码器模型的案例。通过输入数据,抽象数据结构,将多维或高维数据压缩成为低维数据表现,进行编码器encode,自动编码器分别建立4个完全连接DENSE层,分别为14,7,7,29个神经元。前两层用于编码器ENCODE,最后两层用于解码器DECODE。训练期间将使用L1正规化,编码器和解码器层分别采用了“TANH”和“RELU”激活函数。
训练模型设定为100个EPOCHS,批量BATCH大小为32个样本,并将最佳性能模型CHECK POINT保存到一个文件。
ROC模型评估曲线非常不错,准确度95.83%。
B、例如用RESTRCTED BOLTZMAN MACHINES来做特征学习。先通过RBM模型对数据集的特征进行TRANSFORM,然后将转化后的特征作为LOGISTIC模型的输入特征再次进行训练。AUC = 0.91,模型效果较好。
对,无论是车主还是乘客都要芝麻信用750分以上,房产证登记抵押,
起码有财产登记抵押犯罪几率应该也会降低,无犯罪记录证明,不然不能使用顺风车!
最近看到新的顺风车评价分值,我的心都凉了,原来12分的满分,居然现在只剩了59分!word 天,车主还当不当人看了,本来就是顺风车,车主、乘客行程变数都很大,恶意差评也不可避免,可这些都要车主承担。
既然认定是车主的问题,滴滴你就封号呗!居然出了1.4-2倍的的服务费,看来滴滴是想多坑点钱吧!
不过谁让滴滴一家独大呢!
我要说,滴滴,你还是要厚道一点,不然,你失去的可不仅仅是良心喽!