一、數(shù)據(jù)預(yù)處理

1、數(shù)據(jù)缺失值的處理:除了簡(jiǎn)單的填均值、眾數(shù)外在競(jìng)賽中還有哪些方法有效提升分?jǐn)?shù);

2、數(shù)據(jù)異常值的處理:如何判斷是否要處理異常值;若要處理，如何篩選出異常值,

如何對(duì)異常值做處理能有效提升分?jǐn)?shù);

3、如何分析訓(xùn)練集和測(cè)試集的特征分布及影響;

4、對(duì)特征分布影響預(yù)測(cè)效果的分析，如何修正特征分布能提升預(yù)測(cè)分?jǐn)?shù)，比如 log變

換等，如何使用?；貧w問(wèn)題的標(biāo)簽列是否需要做變換。

5、類別變量的處理技巧

6.高維度如何降維？

二、特征工程

1、特征和特征之間、特征和標(biāo)簽之間的關(guān)系如何分析和利用，在競(jìng)賽中有效的方法有哪些？

2.有時(shí)用相關(guān)系數(shù)法對(duì)特征-標(biāo)簽進(jìn)行分析，都是無(wú)相關(guān)性，這時(shí)要怎么利用特征呢?

3、特征數(shù)量較少時(shí)，是否需要構(gòu)造新特征，常用的構(gòu)造方法有哪些呢，如何評(píng)估構(gòu)造的新特征好壞?實(shí)踐中手動(dòng)構(gòu)造特征較為低效，特征構(gòu)造的有哪些高效的工具可用?匿名特征如何構(gòu)造分析?

4、特征數(shù)量較多時(shí)，是否需要特征選擇，常用的選擇方法有哪些，如何結(jié)合多方法綜合評(píng)估，如何評(píng)估選擇結(jié)果的好壞?

三、模型訓(xùn)練

1、怎么讀取數(shù)據(jù)

2、怎么劃分訓(xùn)練集和驗(yàn)證集

四、模型調(diào)參

1、在模型訓(xùn)練時(shí)要配置哪些參數(shù)？

2、邏輯回歸，SVM，神經(jīng)網(wǎng)絡(luò)，XGBoost和 LightGBM等模型的調(diào)參參數(shù)及參數(shù)范圍是多少？

3、模型自動(dòng)化調(diào)參GridSearch 和 RandomSearch是什么？

五、模型驗(yàn)證

1.模型驗(yàn)證指標(biāo)有哪些？

2.模型驗(yàn)證指標(biāo)怎么選擇？

3.accuracy是什么？

4.ks是什么指標(biāo)？

5.AUC是什么指標(biāo)？

6.混淆矩陣是什么？

7.PSI是什么？

8.模型區(qū)分能力指標(biāo)有哪些？

9.模型穩(wěn)定性指標(biāo)有哪些？

六、融合模型

1.stacking融合模型在kaggle競(jìng)賽應(yīng)用

2.stacking融合模型原理是？

3.融合模型可以提高accuracy準(zhǔn)確率嗎？

4.stacking融合模型可以提高AUC嗎？

5.stacking融合模型可以提高f1分?jǐn)?shù)嗎？

6.stacking融合模型如何繪制決策域decision region？

7.如何用概率值作為元特征訓(xùn)練融合模型？

8.stacking融合模型和gridsearch網(wǎng)格調(diào)參

9.stacking融合模型和機(jī)器學(xué)習(xí)管道pipeline綜合應(yīng)用

10.stacking融合模型python腳本是？

七、非平衡數(shù)據(jù)

1.非平衡數(shù)據(jù)是什么？

2.非平衡數(shù)據(jù)對(duì)模型有什么壞處？

3.解決非平衡數(shù)據(jù)方法（欠采樣，過(guò)采樣，SMOTE）

4.SMOTE非平衡數(shù)據(jù)處理python腳本是？

八、異常樣本檢測(cè)

1、異常樣本檢測(cè)問(wèn)題如何分析建模。

2、異常值檢驗(yàn)方法有哪些？

歡迎各位同學(xué)了解<python機(jī)器學(xué)習(xí)-乳腺癌細(xì)胞挖掘>課程,解決上述問(wèn)題，系統(tǒng)化學(xué)習(xí)機(jī)器學(xué)習(xí)建模知識(shí)

版權(quán)聲明：文章來(lái)自公眾號(hào)(python風(fēng)控模型),未經(jīng)許可，不得抄襲。遵循CC 4.0 BY-SA版權(quán)協(xié)議，轉(zhuǎn)載請(qǐng)附上原文出處鏈接及本聲明。