import numpy as np import matplotlib.pyplot as plt # 生成随机数据 np.random.seed(0) X1 = 2 * np.random.rand(100, 1) X2 = 3 * np.random.rand(100, 1) X3 = 4 * np.random.rand(100, 1) y = 4 + 3 * X1 + 5 * X2 +

最重要的事情开始都会讲：建模是始终服务于业务的，没有业务的评分卡就没有灵魂 每一个指标段对应的评价如下，就当做各位的参考表数据吧。希望可以对大家有帮助 第一部分 指标图表以及英文简介 第二部分 指标对应参考数据 需要说明的是，由于对应的目标客群不同，可能各个指标所提供标准不同，可能银行和小贷公司对于KS的标准不相同，银行相对严格，小贷公司可能包含其余的策略性规则，因此可能KS相对比较小

多元线性回归模型： （训练的时候设μ=0） model.fit(X,y) 训练出一个模型后，sklearn分了两部分存模型系数 model.coef_  # 得到[]    model.intercept_ # ，截距，默认有截距 这样就可以写出完整模型啦~

前段时间看机器学习实战回归这个章节的内容，在矩阵形式的平方误差推导出回归系数W的的地方，作者直接给出了W 的表达式，当时并没有亲自推导。乍一看很好理解就过去了。后来看论文的过程中，又遇到了类似的推导，在打算自己推导的时候，发现并不容易，主要是并没有学习过矩阵求导的知识。后来在网上看到了矩阵求导的知识，贴在这里：  x is a column vector, A is a matrix

之前做回归以后，再做显著性检验的时候出现诸多问题，最主要的问题是显著性检验后的区域明显错误。实际上，（我做的是一元回归）应该在回归系数大的地方容易通过检验，回归系数小的地方通不过检验，且我认为通过检验的区域应该不会与回归系数等值线交叉。 经过排查，我发现regCoef给的tval（也就是t参数）并不准确，与我自己构建的t参数并不相同，这就是我一直画不对的原因，因此我用自己的回归系数r，构建了t参

梯度下降算法 以下内容参考 微信公众号 AI学习与实践平台 SIGAI 导度和梯度的问题 因为我们做的是多元函数的极值求解问题，所以我们直接讨论多元函数。多元函数的梯度定义为： 其中称为梯度算子，它作用于一个多元函数，得到一个向量。下面是计算函数梯度的一个例子 可导函数在某一点处取得极值的必要条件是梯度为0，梯度为0的点称为函数的驻点，这是疑似极值点。需要注意的是，梯度为0只是函数