机器学习中各类模型及其运用
摘要：机器学习是一个庞大的知识体系，它综合了多种学科的研究内容。在当下，机器学习的理论正日益趋于完善，所能应用到的领域也极其广泛。本文通过描述前人发现并得出的机器学习模型在金融行业，医学领域，人脸识别技术，彩票市场以及日常生活中决策方面的应用，极大地展现出机器学习模型强大的解决问题的能力。
关键词：金融大数据； 人脸识别； 神经网络； 决策树； ScoreNet模型
一．机器学习在金融大数据风险建模中的应用
当今社会，互联网金融和消费金融发展十分迅速，导致央行征信的劣势极为突出，央行个人征信中心目前收录到有8.6亿多人，然而只有3亿多人有信贷记录，完全没有达到数据的全面性和层次性，所以深度挖掘大数据信息，开发大数据风控模型，从而得以有效地评估和控制风险，已然成为21世纪的基本核心课题之一。
早在1941年，大卫杜兰特就用判别分析法评估了信用得分，从而得以预测出还贷者是否按时或按量还贷。1950年左右，比尔菲尔和Earl Isaac发明了逻辑回归模型和FICO信用评分体系，受到广大科学系的一致好评，因为其业务逻辑十分清晰，解释性也较强。然而之前所提到的方法都具有局限性：一方面，判别分析模型和逻辑回归模型都要求数据的完整性和有效性，另一方面，它们都只能研究线性问题，无法分析非线性的数据。
1943年，三人（M,W,WP）提出了神经网络模型，取得了突破性的进展。不久后，机器学习的概念被提出，支持向量机，这一在统计学中应用最广泛的的统计模型也被发现，之后提出的集成学习算法，使得算法的鲁棒性，稳定性和泛化性都有了明显的提高。目前机器学习在诸多领域有了实质性的进展，比如信息检索，语音和图像识别，推荐引擎，非结构化数控挖掘等等。在金融风控领域，虽然有一些推荐的算法比如随机森林模型能预测风险指标，但无论单一还是集成的学习算法，模型都十分复杂，对从业人员来说，是个不小的挑战。况且，由于模型过于复杂，解释性很多时候也会因此而丧失。
在传统的风控模型基础上，结合决策树模型和Logistic模型，建立起了T-L模型，再通过融合随机森林模型，能够建立起ScoreNet模型，此模型不仅保留了传统模型的稳定性和解释性，而且克服了传统模型对数据噪声敏感的缺陷。它具有广阔的应用空间，同时在金融风控领域，极大地提高了测评风险的能力，这种清晰的模型构架被受到了一致的好评。
在某一案例中，研究者利用ScoreNet技术，对用户违约风险进行了评估，主要涉及以下6个维度：身份信息，稳定性信息，金融申请信息，资产评估信息，商品消费信息和媒体阅览信息，其中子项大约1000个。结果显示，ScoreNet模型不仅维持了逻辑回归模型等传统模型的稳定性和解释性，其KS和AR的比值也被提升了0.05，ScoreNet的区分能力的强势，也能使得这种它能适应多种人群。
