老肥今天和大家分享的是“梧桐杯”中国移动大数据应用创新大赛的智慧金融赛道的Baseline方案（抱歉鸽了很久），线上成绩为0.9438，处于一个相对靠前的排名位置。

赛题介绍

背景

在金融领域，活跃着一批“职业羊毛党”，他们通过套现、套利行为大肆牟利，影响普通用户本应享有的权益。他们制作各种自动、半自动的黑产工具，如自动注册机、刷单自动机、短信代接平台、分身软件、猫池等，并捆绑手机卡、银行卡或通过第三方平台交易完成套现，从而实现“薅羊毛”活动，自身获利的同时对商家、银行、平台、运营商的利益造成损失。如何从普通用户中有效鉴别出羊毛党，从而提前进行防范，在实际商业应用中有着重要的意义。

任务

防羊毛党评分模型旨在从普通用户中区分出羊毛党用户号码，本次挑战赛设置了更具挑战性的任务，相比其他竞赛，本次竞赛所提供的训练字段相对较少，总体为低资源的竞赛任务，具体包含：

初赛——利用用户通信、流量、app使用等行为数据识别真实羊毛党群体，即简单的二分类问题，是羊毛党，或者不是羊毛党。

数据

每一个号码样本包含两个月的数据，由加密过的手机号码和月份共同构成主键。包含两个基础特征以及多个月消费特征、APP访问特征、短信特征。训练数据是一月份以及二月份的特征，测试数据为三月份以及四月份的特征。

评价指标

评价指标为标准的F1 score， 我们可以在这个指标上做很多后处理来提升成绩。

Baseline方案

本方案未做细致特征工程，非常简单的Baseline，将特征分为数值类型的和类别特征。

   

    

     

      

     
     

      

       data = pd.read_csv(
       'data/data_a.csv')
      
     
    

     

      

     
     

      

       # 将\N替换为空值
      
     
    

     

      

     
     

      

       data.replace(
       '\\N', np.NaN, inplace=True)
      
     
    

     

      

     
     

      

       # 数值特征
      
     
    

     

      

     
     

      

       f_features = [
       'gprs_fee', 
       'overrun_flux_fee', 
       'out_actvcall_dur', 
       'actvcall_fee',
      
     
    

     

      

     
     

      

              
       'out_activcall_fee', 
       'monfix_fee', 
       'gift_acct_amt', 
       'call_cnt',
      
     
    

     

      

     
     

      

              
       'up_flux', 
       'down_flux', 
       'p2psms_up_cnt',
      
     
    

     

      

     
     

      

              
       'p2psms_cmnct_fee', 
       'p2psms_pkg_fee']
      
     
    

     

      

     
     

      

       data[f_features] = data[f_features].astype(
       'float')
      
     
    

     

      

     
     

      

       # 类别特征
      
     
    

     

      

     
     

      

       cat_cols = [
       'if_family', 
       'if_group', 
       'sms_inpkg_ind']
      
     
    

     

      

     
     

      

       data.sort_values(
       'month', inplace=True)
      
     
    

     

      

     
     

      

       data.drop_duplicates(
       'phone', inplace=True)
      
     
    

     

      

     
     

      

       data.reset_index(drop=True, inplace=True)
      
     
    

     

      

     
     

      

       data[cat_cols] = data[cat_cols].astype(
       'category')
      
     
   

并且只选择了一月份的数据来做训练数据，镜像地选用测试集的三月份数据作为测试集数据，使用分层五折进行lgb模型的训练，模型的参数使用祖传参数，评价标准为binary_error生成预测文件。

   

    

     

      

     
     

      

       def find_best_t(y_pred, y_true):
      
     
    

     

      

     
     

      

           best_score = f1_score(y_true, np.where(y_pred >= 
       0.5, 
       1, 
       0))
      
     
    

     

      

     
     

      

           t = 
       0.5
      
     
    

     

      

     
     

      

           
       for i in tqdm(
       range(
       300, 
       700)):
      
     
    

     

      

     
     

      

               current_score = f1_score(y_true, np.where(y_pred >= i / 
       1000, 
       1, 
       0))
      
     
    

     

      

     
     

      

               
       if current_score > best_score:
      
     
    

     

      

     
     

      

                   best_score = current_score
      
     
    

     

      

     
     

      

                   t = i / 
       1000
      
     
    

     

      

     
     

      

                   
       print(f
       'best score: {best_score}, best t: {t}')
      
     
    

     

      

     
     

      

           
       return t
      
     
    

     

      

     
     

      
 
      
     
    

     

      

     
     

      

       t = 
       0.5
      
     
    

     

      

     
     

      

       t = find_best_t(oof_lgb, y)
      
     
   

对于该二分类问题，我们还可以通过调整阈值的后处理方法来提分，选择本地验证集最高f1_score的阈值， 在预测时采用相同的阈值（原来阈值为0.5），大于该阈值取1，小于该阈值则取0。

完整的代码我已上传至后台，回复「梧桐」即可获得。

——END——

扫码二维码

获取更多精彩

老肥码码码