信贷风险模型
今天在复习随机森林的时候，突然有了一些思考：信贷风险模型在我的理解，就是为了评估某个客户（企业，个体）在贷款等相关业务中，是否能够有效的将其贷款回收。通过自己的一些了解与猜想，信用评估模型中的主要评价来源是客户的数据。那么，数据可能会存在各种各样的数据，例如其历史借贷信息等。同时，收集的数据肯定会有很多的噪声。所以，如何根据这些特征信息来分析客户的借贷情况就显得尤为重要。
通常，在机器学习这里，我们都会构造一个合适的模型，从而根据数据来训练出一个比较合适的参数。这里，数据的特征构造对模型的性能会造成很大的影响。
所以，这里我就联想了到了再进行模型训练之前可以对数据进行一些操作，其中特征的选择就可以借鉴一下。下面，我主要介绍如何使用随机森林进行特征选择。
随机森林-特征重要性评价
这里，随机森林可以作为一种特征选择的工具来进行数据预处理。随机森林的主要思想可由下面这张图来说明：
主要的步骤有三步：
- 对于随机森林的每一颗决策树，使用响应的OOB(袋外数据)来计算袋外数据误差（Eroor_OOB1）
- 然后，在袋外数据OOB的所有样本中，对于某个样本特征X随机加入噪声干扰，相当于随机改变了样本在特征X处的值， 再次计算袋外数据误差Error_OOB2
- N棵树：
