站群导航· 游戏攻略 / 礼包码 / 配置 / 换算 / 查询 / 手册
导航菜单
首页 全部文章 留言本

贷款利息

共 396 篇文章

模型评估:AUC 0.82的模型上线后为什么不如AUC 0.76的
2023年某金融风控团队训练了两个逾期预测模型,模型A离线AUC 0.82,模型B离线AUC 0.76。上线后模型B的坏账识别率反而高9个百分点。原因:AUC是全局排序指标,而业务只关心「阈值以上」的那部分人群,A在头部区间的区分度差。评估
编辑部 2 2026-11-09 贷款利息
推荐结果的概率校准:预测5%点击实际8%怎么修
排序模型输出的pCTR常用作打分,但如果预测值系统性偏离真实值,下游的加权、出价、混排都会失真。某信息流2023年8月的监控显示:预测pCTR在0.04-0.06区间的样本,实际点击率是0.081,偏差超过60%。表现是模型低估了中高概率内
编辑部 2 2026-11-09 贷款利息
模型评估别只看AUC:排序场景下这4个指标更贴近业务
AUC是排序模型最常用的评估指标,但它有个硬伤:只看正负样本的相对顺序,不看具体位置。线上只展示前20个位置,AUC 0.8的模型在Top20上可能输给AUC 0.75的模型。某招聘平台2022年就吃过这个亏,换模型后AUC涨0.03,投递
编辑部 3 2026-11-09 贷款利息
库存周转怎么算(健身计划场景)
库存周转的公式:销售成本 ÷ 平均库存。在健身计划里最常见的用法,是先把已知量列清楚,再代入公式,最后按单位核对结果是否合理。举例:假设输入是 100 和 25,按公式算出来的结果要是负值或大得离谱,多半是单位或方向搞错了。常见错误:把百分
编辑部 3 2026-11-09 贷款利息
模型上线后的衰减监控:7个指标与3条告警线
模型不是上线就完事。某推荐模型2023年3月上线时AUC 0.77,到9月降到0.69,团队没监控,直到业务方发现点击率跌了14%才回头查。半年衰减0.08,平均每月0.013,属于典型的数据漂移。指标1:特征PSI。对Top30特征做日级
编辑部 3 2026-11-09 贷款利息
排序模型的时效性:用30天老模型,点击率掉了19%
某电商排序模型每季度重训一次,去年Q3到Q4之间,线上点击率从6.8%掉到5.5%,掉了19%。排查发现,Q4上新了2万多个SKU,老模型的物品ID特征有一大半没见过,只能退回用类目特征兜底。推荐排序模型对时效性极其敏感。物品侧,新物品每天
编辑部 3 2026-11-09 贷款利息
数据统计里的辛普森悖论:3个真实案例和1套排查流程
2023年某在线教育平台发现,整体看新版本课程页转化率从6.1%降到5.8%,但拆开看,iOS端从7.2%升到7.6%,安卓端从5.4%升到5.7%,两端都涨了,整体却跌了。这是典型的辛普森悖论。原因在流量结构。新版本上线后,安卓低转化人群
编辑部 3 2026-11-09 贷款利息
排序模型离线AUC 0.81上线却跌了,3个分布错位要查
去年一个推荐排序模型离线AUC 0.81,团队认为稳了,上线后人均点击反而跌3.4%。复盘查到3个分布错位,每个都能单独让离线指标失真。第一个是时间错位。训练集用1月到3月,测试集随机切分,但线上是4月。4月有清明节和促销活动,用户点击品类
编辑部 4 2026-11-09 贷款利息
模型评估别只看AUC:GAUC和NDCG怎么配合用
一个排序模型AUC 0.79,团队很满意,上线后人均时长没动。换GAUC看只有0.62,问题清楚了:模型在全量样本上排序能力尚可,但在单个用户内部区分度不够。推荐排序是用户内排序,GAUC比AUC更贴近线上。GAUC按用户分组算AUC再加权
编辑部 4 2026-11-09 贷款利息
特征穿越:离线AUC 0.92,上线跌到0.61
离线AUC 0.92是个危险信号,正常推荐排序模型在0.75到0.82之间。到0.92八成是特征穿越,也就是训练时用到了预测时刻拿不到的信息。最隐蔽的一种:用「用户近30天点击商品的平均价格」做特征,但计算窗口包含了当前样本之后的行为。正确
编辑部 3 2026-11-08 贷款利息
模型评估别只看AUC:4个指标组合看排序质量
AUC 0.78和0.79的模型,线上可能差2个点,也可能没差别。AUC衡量的是全局排序,而推荐场景只关心前几位。只看AUC,等于用错尺子。第1个补充指标是NDCG@10。它给前排位置更高权重,适合评估首页前10条的质量。某资讯团队两个模型
编辑部 3 2026-11-08 贷款利息
模型上线后监控哪些指标才能及时发现退化
模型上线不是终点,数据分布会随时间变化,用户行为也在演化,今天有效的模型几个月后可能明显退化,缺乏监控就会在不知不觉中损失效果。首先要监控输入特征分布,比较线上与训练时的均值、分位数和缺失率。特征分布明显漂移,往往是模型效果下降的前兆。其次
编辑部 3 2026-11-08 贷款利息
模型评估别只看AUC:电商排序的4个线上指标拆解
离线AUC涨了0.02,线上GMV却没动,这种事在电商排序里很常见。某平台2022年一次模型迭代,离线AUC从0.792提到0.811,上线后点击率涨1.2%,但人均GMV跌0.6%,最后回滚。AUC衡量的是整体排序能力,不直接对应业务目标
编辑部 3 2026-11-08 贷款利息
推荐系统冷启动:新用户前10次点击怎么排序更准
新用户第一次打开资讯类应用,后台通常只有设备型号、注册渠道、地理位置三项信息。某二线城市产品团队统计过:注册后前10次点击的分布,直接决定该用户7日留存,差距可达18个百分点。常见的错误做法是直接按全站热度排序,把大众化内容推给所有人,结果
编辑部 4 2026-11-08 贷款利息
训练集、验证集、测试集的正确划分方式
机器学习项目里,数据划分直接决定评估结论是否可信。训练集用于拟合参数,验证集用于调参和模型选择,测试集只在最后用一次,用来估计泛化性能,三者职责必须严格区分。常见错误是反复在测试集上调参,看完测试结果再改模型,这样测试集实际上变成了验证集,
编辑部 3 2026-11-08 贷款利息
推荐结果多样性评估:3个指标和1个反直觉结论
推荐系统只优化点击率,3个月后用户会抱怨"推来推去就那几样"。多样性要量化,不然没法优化。列3个常用指标和1个反直觉的结论。指标1:类目覆盖度。一次推荐列表里出现的不同类目数除以列表长度。10条内容里3个类目,覆盖度0.
编辑部 4 2026-11-08 贷款利息
特征工程里的数据泄漏:一个特征让离线AUC虚高0.15
某团队做用户流失预测,加了一个特征“近7天客服工单数”,离线AUC从0.71跳到0.86,团队很兴奋。上线后效果几乎为零。查出来:训练样本的标签是“30天内是否流失”,而工单数据的时间窗口覆盖了标签期,用户流失后打的投诉工单被算进了特征。这
编辑部 3 2026-11-08 贷款利息
推荐系统数据埋点:漏了这4个字段,离线评估全白做
排序模型离线评估要做样本回放,需要请求ID、曝光位置、模型分、时间戳四个字段。缺一个,回放就对不上,离线指标和线上行为脱节。某团队埋点只记了曝光和点击,没记模型分,做不了反事实评估,只能干看线上CTR。请求ID是串联曝光、点击、转化的主键。
编辑部 3 2026-11-08 贷款利息
推荐系统冷启动:新用户前10次点击怎么排序更准
新用户注册后的前10次点击,决定了推荐系统后续70%的画像准确度。某电商在2023年做过一次A/B测试:对照组直接按热度排序,实验组用「探索-利用」混合策略,前3次点击各分配60%给高热度、40%给长尾内容,第4到10次根据已点击品类做相似
编辑部 3 2026-11-08 贷款利息
CTR预估的样本权重:负采样比例设多少才不偏
某广告排序模型训练时做了1:4负采样,离线AUC 0.79,上线后发现预估CTR整体偏高约2.3倍,出价策略全乱。原因是负采样改变了正负样本比例,但预估时没做校准。这类问题在中小团队里非常常见,修起来不难,难在发现。负采样后校准公式:若负样
编辑部 6 2026-11-08 贷款利息