金融商业算法建模：基于Python和SAS

2.1客户价值预测 2.2营销响应预测
2.3细分画像 2.4交叉销售
2.1.1线性回归模型概述 2.1.2 Python案例：线性回归建模 2.1.3多元线性回归的变量筛选 2.1.4 Python案例：多元线性回归变量筛选 2.1.5模型假设检验 2.1.6残差分析 2.1.7强影响点分析 2.1.8 Python案例：线性回归调优实战 2.1.9线性回归的完整流程小结
目录分析
1.2操作层面的数 据分析对象与成果
1.1企业中数据分 析的层级
1.3数据挖掘方法 分类介绍
1.5数据挖掘建模 框架的3个原则
1.4数据挖掘方法 论
1.6利用SAS EM创 建数据挖掘项目
1.3.1预测性——有监督学习 1.3.2描述性——无监督学习
1.6.1创建数据挖掘项目 1.6.2给项目添加逻辑库和数据集 1.6.3 SAS EM项目的系统文档介绍
2.2.1使用逻辑回归预测用户响应率 2.2.2比较逻辑回归与线性回归 2.2.3图解逻辑回归 2.2.4逻辑回归算法概述 2.2.5分类模型的评估 2.2.6分类变量的处理 2.2.7 Python案例：逻辑回归建模实战 2.2.8 SAS EM案例：贷款违约预测实战 2.2.9逻辑回归建模小结
3.2.1孤立森林 3.2.2局部异常因子
4.2运筹优化
4.1预测技术
4.3流程挖掘
4.1.1效应分解法 4.1.2基于动力模型的ARIMA 4.1.3基于深度学习的LSTM
4.2.1线性规划 4.2.2整数规划 4.2.3非线性规划
4.3.1业务流程挖掘的总体理念 4.3.2流程发现 4.3.3流程监控 4.3.4流程遵循 4.3.5 Python案例：利用pm4py实现流程挖掘
6.1构建合理的 项目工程结构
6.2如何编写规 范的数据工程 代码
6.1.1为什么要构建合理的项目工程结构 6.1.2什么是一个数据科学项目应有的结构
6.2.1代码可读性 6.2.2数据处理性能
作者介绍
这是《金融商业算法建模：基于Python和SAS》的读书笔记模板，暂无该书作者的介绍。
读书笔记
金融商业算法建模：基于Python和 SAS
读书笔记模板
01 思维导图
03 目录分析 05 读书笔记
目录
02 内容摘要 04 作者介绍 06 精彩摘录
思维导图
本书关键字分析思维导图
数据
预测
算法
读者
监控
内容
分析
商业
算法
模板 模型
变量
金融
第章
项目
数据
逻辑
线性
类
内容摘要
这是一本贯穿金融业务经营全流程，以业务为驱动的金融数据挖掘与建模著作，涵盖分析框架、模型算法、 模型评估、模型监控、算法工程化等数据建模环节。本书的4位作者都是在金融领域有多年工作经验的大数据专家， 不仅技术功底深厚、业务经验丰富，而且对金融行业从业者的需求痛点和图书市场的供给情况有深入了解。他们 通过精心策划和写作，让本书内容独树一帜。本书针对决策类、识别类、优化分析类三大主题，独创九大模板： 客户价值预测、营销响应预测、细分画像、交叉销售、申请反欺诈、违规行为识别、预测、运筹优化、流程挖掘， 详细讲解了每个模板的算法原理、评估方法、优化方法和应用案例等，内容上极力做到准确、明晰、直观与实用。 此外，本书还对数据科学项目中比较容易被忽视的内容做了补充，包括模型评估、模型监控、算法工程化，指导 读者构建易读、高效、健壮的数据科学工程。本书坚持理论与实践相结合，通过图形、示例、公式帮助读者快速 掌握算法与优化理论的同时，还打造了一套可轻松适配各种分析场景与需求的工具模板，力图帮助读者从理论快 速跨越到实践。
2.3.1主成分分析 2.3.2因子分析 2.3.3变量聚类 2.3.4样本聚类1——层次聚类 2.3.5样本聚类2——K-Means聚类
2.4.1关联规则 2.4.2序列模式
3.1申请反欺诈
3.2违规行为识 别
3.1.1决策树 3.1.2组合算法 3.1.3最近邻域法 3.1.4朴素贝叶斯 3.1.5支持向量机 3.1.6神经网络
这是《金融商业算法建模：基于Python和SAS》的读书笔记模板，可以替换为自己的心得。
精彩摘录
这是《金融商业算法建模：基于Python和SAS》的读书笔记模板，可以替换为自己的精彩内估
5.2模型监控
5.1.1混淆矩阵 5.1.2 ROC曲线 5.1.3 KS统计量 5.1.4洛伦兹曲线与基尼系数
5.2.1前端监控——业务指标 5.2.2前端监控——评分分布稳定性 5.2.3前端监控——特征分布稳定性 5.2.4后端监控——评分正确性 5.2.5后端监控——变量有效性