官方赛题解读——关于风控大脑赛题解题入门你不可不知的一些事儿
目前第一名“凤凰还未涅槃”的经验分享帖——支付风险识别----凤凰还未涅槃 经验分享
官方赛题解读总结
整个风控业务是比较特殊的业务，他可能存在样本缺失的问题，攻防激烈的问题，数据量很多的问题，对业务的影响巨大，它需要比较大的精准性。
使用规则？传统算法？还是一些创新的深度学习、算法学习、迁移学习？
工业上更看重的是哪个方法能够更快更高效地去解决问题。所以面对这个赛题，我希望同学们可以思考的是是不是有可能抽象出一些明确的规则，因为规则的好处是准确性高，能保证一些基础的风险能cover到。相对于规则，模型最大的价值在于其本身有很多的变量，因为规则本身比较简单，大部分都是if /else的逻辑，但是对于模型来说，他可以消费非常多的变量，比如我们常用的randomforest模型，我们会用到50-80个变量，因为模型用到的变量更多，考虑的方面更全，所以准确性会更高，而用模型的方法可以更准确地去检测到那些绝对黑的人，也可以更好地去检测出黑or白比较模糊的坏人。虽然这是一个建模的大赛但是更希望大家从真实问题出发，不管规则也好，传统的模型也好，复杂的机器学习模型也好，怎样去做排兵布阵和组合，我们关注的的始终是最终的结果。
设置坏交易为白样本？黑样本？
影响风控建模因素的第二块是样本的检测。风控就是一个激烈对抗的过程，所以当你把Y设置成黑样本的时候你会发现Y的pattern一直在变。大家可以考虑去检测一些白样本，因为好人的行为是比较固定的，某种程度上来说，好人的行为更符合一个模型的定义。坏人的行为会有偏移，对于抓坏人的探索上可以尝试更多新鲜的方法。
交易分群and检测分层
交易分群：你把商户、个人用户一起建模的话就会产生一些问题。先把不同的交易类型分出来，然后在不同类型内部进行检测。
检测分层：好人的行为比较固定，可以先设置一个检测器，把绝对是好人的样本拉出来，在剩下的样本中，坏人的比率就提高了。
初赛和复赛的考察点
关于初赛：重点考察对于算法理解、模型调参、模型集成等；初赛的题目大家拿到数据的时候可以看到其实大家不能定义变量本身的业务含义是什么，而且变量的本身更多的可能是数值型的，初赛重点考察的是大家对于算法理解，用不同的模型，调整模型测参数、去做模型集成，初赛更多考验的是大家对算法和模型的理解。
关于复赛：重点考察对于业务背景下模型性能优化、特征工程、算法创新等；复赛的话会给到大家更多的数据，数据的业务含义也会通过脱敏的方式给大家开放，数据的框架下大家需要对业务有更多的了解，在业务的理解上可以做更多的特征工程，做更多的算法创新。
个人总结：
在阅读这两个分享之后，我的最好成绩是0.3912。只使用缺失度小于20%的数据；采用前70%的数据作为训练集，后30%作为测试集；采用了lighgbm，针对不同的参数运行160次，取了平均值作为最终结果。也采用过多模型融合，使用lr融合了lightgbm、gbdt、RF的结果，成绩为0.38，或许是因为前面的模型参数没有调节好才导致效果不好的。
阅读了这一份文章有一种茅塞顿开的感觉，主要的收获如下：
- 明确了初赛的目的，筛选对算法有一定理解的人，能够熟悉规则、机器学习算法、模型整合、参数调节。这些都是需要花时间去理解算法背后的原理，熟练使用机器学习的工具库。相当于是比赛组给我们一段缓冲的时间，基本上能到前150的人，在这方面应该没有问题。
- 在解决问题的思路上给我的启示有
- 尝试观察单特征的分布，寻找一些适用的规则。
- 采用下采样和多模型融合的方式，或许可以有所收获。
- 看一下测试集和训练集的特征分布情况
- 坏的样本随着时间的特征分布情况，好的样本的固定模式是否可以选择出来？
- 好人的行为是否可以建立模型？对于这一点还是比较疑惑，因为现在的交易id都是唯一的，无法确认一个人在一段时间之内的行为模式
- 能否先对交易进行分类？这个也比较疑惑，原因同上。但是考虑到缺失值的情况，或许可以进行分类，因为一共只有13种缺失数值，或许每种缺失情况代表了一类用户。
接下来需要好好努力，争取达到0.40以上。
