简记-反欺诈背景

1. 目标

使用训练集让xgboost or lightgbm 做拟合， 使用同样的特征工程把数据传给训练好的模型中做结果的预测

2. 特征工程

• 对所有的特征都数字化
• 人为特征编码，如数字时间戳可以变成多个特征，year, month, week， 时间差等等
• 特征nan值处理，是填值或者不处理
• 特征做mapping， 全部数字化，可以通过分组，归类等
• 特征可以俩俩或者多个之间组合，构建新特征
• 找到更为关键的特征，计算特征值对应的label 比， 即 label为1个数 / label 为0的个数。比如特征比>10的记为新特征的1

3. 模型提升

• 调参: 网格搜索，多跑几组

• 交叉验证 （from sklearn.model import strtifiedKFold ）strtifiedKFold相比于Fold他可以让五折的验证集更均衡。

问：为何要用交叉验证？

4 其他方法

深度学习