智能风控典藏版合集

DataFunTalk 成就百万数据科学家！1DataFunTalk 成就百万数据科学家！5目录模型可解释性在保险理赔反欺诈中的实践......................................................7图算法在网络黑产挖掘中的思考....................................................................21联邦学习与安全多方计算................................................................................3658 同城风控平台演进...................................................................................... 59度小满金融大数据风控模型实践....................................................................70Fraudar 算法在京东关系网络反欺诈中的应用...........................................85携程金融自动化迭代反欺诈模型体系.........................................................100微众银行在联邦推荐算法上的探索及应用.................................................113机器学习中的隐私保护................................................................................. 144关系图谱在贝壳找房风控体系的应用与实践.............................................162新一代联邦学习技术及应用实战................................................................. 178构建端到端的联邦学习 Pipeline 生产服务............................................. 212风控建模流程：以京东群体感知项目为例.................................................244信贷业务风控策略简介................................................................................. 266机器学习在信贷风控建模中的优势和挑战.................................................280度小满智能获客系统实践............................................................................. 297金融风控反欺诈之图算法............................................................................. 307机器学习在反欺诈中应用............................................................................. 324混合、安全对抗下人工智能设计原则......................................................... 336DataFunTalk 成就百万数据科学家！6自动化特征工程和自动建模在风控场景的应用.........................................349爱奇艺流量反作弊的“术”与“道”......................................................... 366DataFunTalk 成就百万数据科学家！7模型可解释性在保险理赔反欺诈中的实践分 享 嘉 宾 ： 张 洪 涛编 辑 整 理 ： 马 韶 光出 品 平 台 ： DataFunTalk导读：真实的理赔产品中，绝大部分客户是就医或者患病诊断患病之后去找保险公司进行申请理赔，但是其中有一小部分客户他会制造假的就医记录或者带病投保到保险公司骗取保险金，怎么样保证正常投保客户能够正常理赔的保险权益，同时避免骗保客户给公司带来的经济上的损失成为了一个十分关键的问题。近几年，随着 AI 的蓬勃发展和数据的不断积累，从算法技术来讲，很多行业在欺诈风险识别中表现出了非常优异的效果，产生了一些非常好的价值。但由于算法本身属性的原因，模型的结果却难以解释，但这在真实的业务场景中却非常关键。这次带来的分享内容，就是我们在实际的保险理赔反欺诈场景中的一个模型，可解释性的一些探索经验，希望能够给大家带来一些启发，或者一些其他的帮助。DataFunTalk 成就百万数据科学家！8今天的介绍会围绕下面四点进行展开：模型可解释的整体背景目前学术界和工业界现有的一些模型解释方法，例子以及对应原理模型可解释性在实际的场景中的一个具体的应用和实施方案对模型可解释性的简单的展望01模型可解释性的整体背景软件工程学上我们经常用到一个术语叫软件的生命周期，这里把它用在模型上，按照模型的生命周期来看，将模型的可解释性总结为三个方面，或者说三个不同时期的作用。DataFunTalk 成就百万数据科学家！9模型的开发和构建。企业模型解释在优化模型的期间，是一个优化模型的一个非常重要的手段。在实际的模型构建的过程中，这种 badcase 分析寻找模型优化方向还是一个比较困难的问题，如果模型可解释，可以对出错的样本采取针对性的措施对模型进行优化。我们的模型试运行上线期间。模型的可解释性能够提升模型的可信度，同时有利于业务的推广。模型推广期间，模型预测真正人融入到具体的业务环节流程之中。之后，我们希望这个模型能够可以解释模型预测值的解释内容，能够对后续的一些业务上的处理环节带来指导性的作用。02模型解释性方法1. 模型解释性方法DataFunTalk 成就百万数据科学家！10全 局 的 解 释 方 法 (全 局 就 是 我 们 考 察 更 偏 重 对 模 型 整 体 的 一 个 预 测的解释)：第一个特征权重，每个特征的权重代表着特征对预测结果的一个影响程度，本质上其实这个权重系数就是一种显示性。第二个信息增益，可以计算出某个特征对预测结果带来的信息量。第三个特征重要性，特征重要性很大程度上就可以解释模型预测的一个判断依据。局部的解释方法（对这个单条的预测进行解释）：第一个 LIME，它本质上是用线性模型在一个局部的样本空间上进行一个模拟。第二个 DeepLIFT，计算每个特征值的一个基准值，然后计算某个特征取值相对于基准值的变动对于预测结果带来的一个提升和影