[中奖]第九届“泰迪杯”挑战赛A题

问题概述

题目¹如下：

赛题有2个点，分别是：

• 确定数据指标

  即确定哪些特征是决定财务造假与否的关键特征

• 预测造假公司

  训练模型，然后跑测试数据即可

预处理

• 首先使用missingno²，对全局数据进行观测，看一看缺失值等情况

• 然后删去无用的特征列

• 删去缺失值占比过多的特征列

• 使用pd.interpolate()³对缺失值占比较小的特征列进行补充，也可以参考⁴⁵

第一题

最开始的想法是直接跑树模型，然后看看谁的权重大就选谁，然而问题出在样本比例上。

• 首先对整体来看，正样本的数量远远大于负样本。不均衡的情况下，树模型虽然有所缓解，但估计还是够呛

• 更惨的是，第一题要求的是各行业的财务造假关键指标。数据一共几十个行业，有些行业没有造假，全是正样本。这样的情况无法用树模型处理，其他模型也不行。

后来查到了一个方法，Null Importances⁶⁷⁸。

其思路大概是，先用正确的标签计算一下各个特征对于分类的重要性，然后打乱标签，再计算特征的重要性。如果一个特征真的对分类有用，那么他应该在真实的标签下展示高重要性，而在错误的标签下展示低重要性。

对于第一题而言，我们分两类情况来考虑：

• 对于整个行业没有造假记录的数据来说：

  先对各个数值特征（好像所有的特征都是数值特征？）计算方差，取方差较小的特征为重要特征。因为该行业没有造假，所以其与造假相关的特征应当表现出聚集的趋势，即都没有造假，也就是方差较小的特征。然后随机赋予标签，计算其互信息⁹（mutual_info_classif）。然后用前一个的特征集合减去后一个的特征集合，留下的即为关键特征。

• 对于整个行业有造假记录的数据来说

  先对正确的标签计算互信息⁹，然后随机赋予标签，再计算其互信息⁹。取两者的差集为关键特征。

第二题

这一题将数据分成了2个行业，制造业和非制造业。虽然样本还是很不均衡，但至少，正负样本都有。

• 首先进行特征选择，使用LinearSVC¹⁰

• 然后将数据丢进模型训练，并使用网格调参¹¹

• 最后走一遍stacking¹²¹³

后记

其实模型训练的结果并不乐观，因为样本分布的不均衡。后来有一些其他想法：

• 在模型融合的时候，加大树模型的权重，因为树模型对分布不均衡有所缓解

• 使用一些其他方法补充数据，例如SMOTE等¹⁴

啊，对了，我当时参考博文¹⁵，用pandas-profiling还跑崩了¹⁶，数据太多。