課次/學(xué)時(shí)：第1次課/2學(xué)時(shí)

本次課題目(內(nèi)容)：

線(xiàn)性回歸模型原理與財(cái)務(wù)預(yù)測(cè)實(shí)戰(zhàn)（一元/多元線(xiàn)性回歸）

學(xué)習(xí)目標(biāo)：理解一元/多元線(xiàn)性回歸數(shù)學(xué)模型及參數(shù)意義（斜率/截距）。掌握回歸模型評(píng)估指標(biāo)（R方/MAPE）的業(yè)務(wù)解讀方法。運(yùn)用LinearRegression完成上市公司營(yíng)收預(yù)測(cè)建模全流程。教學(xué)重點(diǎn)、難點(diǎn)：重點(diǎn)：最小二乘法原理、train_test_split數(shù)據(jù)集劃分、metrics.r2_score評(píng)估。難點(diǎn)：多重共線(xiàn)性識(shí)別（如資產(chǎn)總計(jì)/負(fù)債合計(jì)高度相關(guān)）、MAPE誤差解讀（<10%為優(yōu)秀）。

教學(xué)資源：

上市公司營(yíng)收數(shù)據(jù)集（營(yíng)業(yè)成本/資產(chǎn)總計(jì)等11字段）、JupyterNotebook代碼模板、特征相關(guān)性熱力圖案例。

課堂教學(xué)創(chuàng)新點(diǎn)：財(cái)務(wù)診斷視角：解讀回歸系數(shù)（如"營(yíng)業(yè)成本系數(shù)1.22→每投入1元成本創(chuàng)收1.22元營(yíng)收"）。陷阱預(yù)警：演示未標(biāo)準(zhǔn)化數(shù)據(jù)導(dǎo)致系數(shù)失真（資產(chǎn)總計(jì)系數(shù)-9636的誤導(dǎo)性）。

教學(xué)過(guò)程設(shè)計(jì)：原理剖析（30分鐘）一元回歸公式推導(dǎo)：最小二乘法動(dòng)畫(huà)演示：誤差平方和最小化過(guò)程關(guān)鍵指標(biāo)解讀：R方=0.99→模型解釋99%波動(dòng)MAPE=0.21→平均預(yù)測(cè)誤差21%一元回歸實(shí)戰(zhàn)（40分鐘）數(shù)據(jù)可視化：plt.scatter繪制營(yíng)業(yè)成本-營(yíng)收散點(diǎn)圖（圖6-1）模型訓(xùn)練與診斷：Pythonlm=LinearRegression()

lm.fit(X_train,y_train)#X=營(yíng)業(yè)成本

print('斜率:',lm.coef_[0])#輸出1.2248業(yè)務(wù)結(jié)論：成本與營(yíng)收強(qiáng)線(xiàn)性相關(guān)（R方>0.99）多元回歸進(jìn)階（30分鐘）特征工程陷阱：展示未標(biāo)準(zhǔn)化時(shí)資產(chǎn)總計(jì)系數(shù)失真（-9636）解決方案：Pythonscaler=StandardScaler()#數(shù)據(jù)標(biāo)準(zhǔn)化

X_scaled=scaler.fit_transform(X)優(yōu)化后結(jié)果：營(yíng)業(yè)成本系數(shù)1.076（業(yè)務(wù)合理）課程總結(jié)與答疑：

強(qiáng)調(diào)財(cái)務(wù)建模鐵律：先驗(yàn)證特征相關(guān)性（熱力圖），再標(biāo)準(zhǔn)化數(shù)據(jù)，最后解讀系數(shù)經(jīng)濟(jì)含義。

教學(xué)反思：

課次/學(xué)時(shí)：第2次課/2學(xué)時(shí)

本次課題目(內(nèi)容)：

邏輯回歸原理及信用風(fēng)險(xiǎn)預(yù)測(cè)實(shí)戰(zhàn)

學(xué)習(xí)目標(biāo)：理解Sigmoid函數(shù)與概率映射機(jī)制掌握混淆矩陣指標(biāo)（準(zhǔn)確率/召回率）在風(fēng)控場(chǎng)景的應(yīng)用。完成個(gè)人信用風(fēng)險(xiǎn)預(yù)測(cè)模型（特征：收入/負(fù)債/歷史逾期等）。教學(xué)重點(diǎn)、難點(diǎn)：重點(diǎn)：LogisticRegression模型訓(xùn)練、predict_proba()概率輸出、classification_report評(píng)估。難點(diǎn)：召回率與精確率的權(quán)衡（風(fēng)控側(cè)重召回率→減少漏判高風(fēng)險(xiǎn)客戶(hù)）。教學(xué)資源：

個(gè)人信用數(shù)據(jù)集（20個(gè)特征/5萬(wàn)樣本）、閾值調(diào)整動(dòng)態(tài)可視化工具。

課堂教學(xué)創(chuàng)新點(diǎn)：銀行業(yè)務(wù)還原：設(shè)定不同閾值（0.3/0.5/0.7）演示通過(guò)率與壞賬率變化。倫理討論：分組辯論"是否應(yīng)拒絕40%逾期概率的低收入群體"。教學(xué)過(guò)程設(shè)計(jì)：原理精講（25分鐘）Sigmoid函數(shù)演示：1/(1+e^(-z))將線(xiàn)性輸出映射為[0,1]概率決策邊界：概率>0.5判定為違約（可調(diào)整）風(fēng)控核心指標(biāo)：召回率=抓出壞人/全部壞人→避免漏判（目標(biāo)>85%）精確率=真壞人/判為壞人→減少誤傷模型開(kāi)發(fā)（35分鐘）特征工程：獨(dú)熱編碼處理職業(yè)類(lèi)型，標(biāo)準(zhǔn)化連續(xù)變量訓(xùn)練與評(píng)估：Pythonfromsklearn.linear_modelimportLogisticRegression

lr=LogisticRegression()

lr.fit(X_train,y_train)

print(classification_report(y_test,lr.predict(X_test)))輸出示例：召回率0.88→每100個(gè)壞人識(shí)別出88個(gè)閾值調(diào)優(yōu)實(shí)戰(zhàn)（30分鐘）業(yè)務(wù)場(chǎng)景模擬：閾值=0.3：召回率92%→壞賬少但拒絕大量好客戶(hù)閾值=0.7：召回率65%→壞賬多但客戶(hù)體驗(yàn)好代碼實(shí)現(xiàn)：Pythony_proba=lr.predict_proba(X_test)[:,1]#違約概率

y_pred=(y_proba>0.4).astype(int)#調(diào)整閾值課程總結(jié)與答疑：

強(qiáng)調(diào)邏輯回歸本質(zhì)是分類(lèi)模型，財(cái)務(wù)場(chǎng)景中需按業(yè)務(wù)目標(biāo)（風(fēng)控/營(yíng)銷(xiāo)）動(dòng)態(tài)調(diào)整閾值。

教學(xué)反思：

課次/學(xué)時(shí)：第3次課/2學(xué)時(shí)

本次課題目(內(nèi)容)：

K均值聚類(lèi)原理與企業(yè)盈利能力分級(jí)實(shí)戰(zhàn)

學(xué)習(xí)目標(biāo)：掌握K均值算法流程（初始化→分配→更新→迭代）。運(yùn)用肘部法則（KElbowVisualizer）確定最佳K值。完成上市公司盈利能力聚類(lèi)分級(jí)（ROE/凈利率/營(yíng)收增速）。教學(xué)重點(diǎn)、難點(diǎn)：重點(diǎn)：輪廓系數(shù)解讀（>0.5說(shuō)明聚類(lèi)合理）、聚類(lèi)中心業(yè)務(wù)標(biāo)簽定義。難點(diǎn)：特征權(quán)重分配（如ROE比營(yíng)收增速更重要）、高維數(shù)據(jù)降維（PCA）。教學(xué)資源：

上市公司財(cái)務(wù)指標(biāo)數(shù)據(jù)集（3年ROE/凈利率/營(yíng)收增速）、聚類(lèi)結(jié)果雷達(dá)圖模板。

課堂教學(xué)創(chuàng)新點(diǎn)：投資策略生成：定義聚類(lèi)中心為"現(xiàn)金牛/成長(zhǎng)型/風(fēng)險(xiǎn)型"企業(yè)可視化創(chuàng)新：用雷達(dá)圖對(duì)比三類(lèi)企業(yè)盈利特征（圖10-3）教學(xué)過(guò)程設(shè)計(jì)：算法解析（30分鐘）K均值動(dòng)畫(huà)演示：質(zhì)點(diǎn)移動(dòng)與樣本重分配過(guò)程關(guān)鍵概念：肘部法則：尋找SSE下降拐點(diǎn)（K=3處斜率突變）輪廓系數(shù)：計(jì)算樣本與同類(lèi)/異類(lèi)距離比（公式演示）盈利能力聚類(lèi)（40分鐘）數(shù)據(jù)預(yù)處理：Pythonfromsklearn.preprocessingimportStandardScaler

scaler=StandardScaler()

X_scaled=scaler.fit_transform(df[['ROE','凈利率','營(yíng)收增速']])確定K值：Pythonfromyellowbrick.clusterimportKElbowVisualizer

visualizer=KElbowVisualizer(KMeans(),k=(2,10))

visualizer.fit(X_scaled)#顯示肘點(diǎn)K=3業(yè)務(wù)解讀聚類(lèi)中心：類(lèi)別ROE凈利率增速標(biāo)簽022.3%15.8%5.2%現(xiàn)金牛18.1%3.4%32.7%成長(zhǎng)型2-3.2%-1.5%-8.4%風(fēng)險(xiǎn)型報(bào)