本篇目录：
- 1、关于机器学习应用不得不思考哪些问题?
- 2、数据分析之风控
- 3、反欺诈数据挖掘技术在医疗保险业的应用
- 4、特征归一化与独热编码
- 5、...如何应对金融领域中的高维数据大规模处理和挖掘?
- 6、数据挖掘之中的WOE值的正负有什么意义
关于机器学习应用不得不思考哪些问题?
1、如果我的数据越多，我的模型就越能够考虑到越多的情况，由此对于新情况的预测效果可能就越好。这是机器学习界“数据为王”思想的一个体现。一般来说(不是绝对)，数据越多，最后机器学习生成的模型预测的效果越好。
2、将模型应用到产品中并不是一件简单的小事 我在 / 在课本中我们很难学习到真正的特征选择和特征提取技巧 特征选择和提取方法和技巧常常无法从课本中学习。
3、另一种类别是采用了“一应俱全” 的方法，通常作为专业的设计工具来使用，这一类工具提供大量的初级功能，并引起用户极高的学习兴趣，但通常在使用方式上与用户的思维方式不一致。
4、现在你应该已经大致了解了机器学习工程师一天的日常了吧，接下来我会将我在其中获得的心得分享给你： 睁眼闭眼全是数据 很多时候，机器学习工程师都会专注于构建更好的模型，而不是改进构建它的数据。
数据分析之风控
主要通过数据分析手段统计不同字段和各个区间的坏账率，然后筛选得到信用较好的人群进行放款 4)风控模型&评分卡：模型算法之间并无显著不同，而是根据其发生的不同时间点进行划分(贷前/贷中/贷后)，即目标产生的方式不一样。
大数据风控指的就是大数据风险控制，是指通过运用大数据构建模型的方法进行风险控制和风险提示。通过采集大量企业或个人的各项指标进行数据建模的大数据风控更为科学有效。
风控数据分析里面有两种方法（我自己划分的不知道对不对），就两类方法，我做了一个大致的总结，如下 规则：某个用户的某个行为，一天最多20次，一小时最多10次，类似这种。
大数据风控的目标解放人工重复劳动，提高风控的效率和稳定性，及早识别出风险（时间就是金钱）。
反欺诈数据挖掘技术在医疗保险业的应用
1、医疗数据不断积累的基础上，充分利用先进技术手段，深入挖掘海量数据资源优势，通过制度运行模拟、政策效率评估、资金压力测试等方式，辅助实现决策高效化、科学化、精确化，是医保业务发展的必然要求。
2、“大数据”是依托新的数据处理技术，对海量、高速增长、多样化的结构和非结构数据进行加工挖掘，找寻数据背后的规律，以提高分析决策能力、优化流程和科学配置资源的管理工具。
3、数据安全重要性。病人在医院治疗完成后会留下各种医疗数据，很多数据都是病人的隐私，医院管理者在进行数据分析与资源共享时，要保证数据资料的安全性，以防泄露病人隐私。
特征归一化与独热编码
独热编码针对的是离散型特征。具体指的是将具有m个属性值的特征转化为m个二元（只包含-1和1，或0和1）特征。比如，「性别」这个特征包含有两个属性值：男性和女性（1和2）。
对异常值敏感：由于独热编码将每个类别映射到一个独立的特征维度，如果某个类别在数据中出现次数很少，那么该特征维度可能会被视为异常值，对算法的性能产生影响。
数据变换是将原始数据进行转换和构，以改善分析的效果。常见的数据变换方法包括对数变换、幂变换、正态化、离散化、独热编码等，具体方法根据数据类型和分析任务的需要而定。
方法1：把训练集和测试集合在一起做归一化，这样特征范围就统一了。之后用训练集做训练，那测试集做测试。但很明显的，在训练模型时，不应该包括任何测试集的信息。这种做法会导致存在人为偏差的模型，不能用。
...如何应对金融领域中的高维数据大规模处理和挖掘?
主要包括以下方面： 客户的管理金融机构内部也拥有大量具有价值的数据，如业务订单数据、用户属性数据、用户收入数据、客户查询数据、理财产品交易数据、用户行为等数据，这些数据可以通过用户账号的打通，建立用户标签体系。
数据采集： ETL工具负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。
因此，在处理和分析高维数据时，我们需要考虑到这些挑战，并采取相应的策略和技术来应对。
强调数据真实性：金融数据挖掘与处理课程的数据源必须是真实的数据，不是专门收集的数据，真实的数据能够更好地反映金融市场的规律和趋势，提高数据挖掘和分析的准确性。
数据挖掘之中的WOE值的正负有什么意义
1、T值是负值的意思是将对照组和研究组的数据进行比较得出的值。例如，如果对照组的均值是50±0.59，而研究组的均值是04±0.45，那么此时T值为 -318，也就是说后面研究组的均值数据要大于对照组的数据。
2、NBA传统意义上的正负值，指的就是球员在场上时，球队的净胜分/净负分，有净胜分时为正净负分为负。这个数据一般用来评估一位球员对比赛的影响力。
3、Mann-Whitney检验是一种非参数检验方法，用于比较两组独立样本的中位数是否相同。在Mann-Whitney检验中，Z值的正负意味着两组样本的中位数相对大小关系。
到此，以上就是小编对于数据挖掘woody怎么用的问题就介绍到这了，希望介绍的几点解答对大家有用，有任何问题和不懂的，欢迎各位老师在评论区讨论，给我留言。
微信扫一扫打赏
