信用风险预测模型实战：从标签定义、WOE特征工程到评分卡转换-北京尧图网络

简介这份PDF是一篇基于机器学习算法的商业银行信用风险预测模型研究论文适合金融科技、风控建模方向的从业者、研究生及竞赛选手参考。文章从信用风险研究的现实背景切入系统梳理了多元判别分析、Logistic回归等传统统计方法以及SVM、BP神经网络与PCA降维结合等前沿探索并回顾了土耳其35家银行和我国144家沪深上市公司的对比研究。随后以新网银行竞赛脱敏数据为案例针对高维稀疏、好坏样本比例达21:1等难点完整呈现缺失值处理、均值填充与归一化、随机森林特征排序、TOP25特征选取以及Logistic、决策树、Adaboost、GBDT、LGB五种模型的AUC对比得出LGB表现最佳的结论。资源为单篇PDF文件大小1.5MB已有538人学习浏览对需要快速把握信用风险建模全流程与模型选型思路的读者具有较高参考价值。1. 信用风险预测不是“调一个模型”这么简单「基于机器学习算法的信用风险预测模型研究.pdf」这个标题我在金融风控圈子里看过很多次——课程设计、毕业设计、初入行的算法工程师练手项目都爱用这个名字。它描述的事情说穿了不复杂给定一个信贷申请人的历史数据预测他未来会不会违约、逾期多久、损失多少然后决定批不批、给多少额度、定多少利率。但真正按这个标题把项目做完、投到线上的人都知道难点从来不在“跑通一个机器学习算法”而在样本怎么切、坏客户怎么定义、特征怎么编码、模型怎么在业务里活下来。这篇文章我会沿着一条完整的落地路径走一遍先立住指标体系再做特征工程再对比建模方案最后把回避不了的坑和上线后的评分卡转换讲清楚。适合三类人读准备拿这个选题做机器学习课程设计的在校生、刚进风控数据分析岗的新人以及想把手头“只跑通离线实验”的模型推进到可交付状态的一线工程师。2. 先定义什么是“违约”样本、标签与评估口径信用风险预测模型最常见的翻车方式不是模型训练失败而是标签定义错了。很多新手拿到一批信贷数据看到“是否逾期”这一列就直接当 Y 用结果 AUC 高得离谱上线后一塌糊涂。原因很简单逾期不等于违约逾期 1 天和逾期 90 天对资金损失的影响差两个数量级而机器学习算法只能学到你喂给它的定义。2.1 Y 的定义观察期、表现期与坏客户窗口从业界常用的口径来看信用评分模型会把样本切成一个时间轴观察点表现起始日之前的历史行为作为特征 X观察点之后的一段固定时间长度作为表现期用来判断 Y 是好还是坏。我这里有一个团队常用的划分逻辑观察点设在放款日或某个固定日期表现期长度为 612 个月表现期内出现连续逾期 90 天以上或 M3的客户定义为坏客户逾期 30 天内且没有二次逾期定义为好客户中间模糊地带直接剔除不参与建模。import pandas as pd # df 必须包含四列客户ID、观察点日期、表现期内最大逾期天数、逾期持续月数 # 规则表现期 12 个月坏客户最大逾期天数 90 天或 M3好客户最大逾期天数 29 天 def make_label(df, obs_colobs_date, max_dpd_colmax_dpd, months_colmob): df df.copy() # 表现期不足 12 个月的样本先筛掉避免“还没坏”被误判成好客户 df df[df[months_col] 12].copy() df[label] 0 df.loc[df[max_dpd_col] 90, label] 1 # 30~89 天的中间带直接剔除不参与训练 df df[(df[max_dpd_col] 29) | (df[max_dpd_col] 90)] return df[[customer_id, label]]这段代码的关键在于df[df[months_col] 12]这一句。真实业务环境里最近 3 个月内新放的款、新注册的用户并没有走完一个完整表现期它们的“未逾期”不代表“不会逾期”直接进训练集会严重稀释坏样本比例。我在实际项目里还遇到过另一个衍生问题如果把观察点定得太靠近放款日首期还款压力还没释放模型学到的其实是“首期就还不上的极端客户”对长周期风险评估帮助有限。常见做法是把观察点往历史回拨 3 到 6 个月让表现期覆盖足够完整的还款行为。2.2 指标选择KS、AUC、Lift 与 IV 各管一段模型训练完最怕只盯一个 AUC。在信贷领域AUC 衡量的是“随机抽一个好客户和随机抽一个坏客户模型把坏客户排前面的概率”它反映排序能力但不反映业务意义。实际交付时我一般同时看四个数AUC 看整体区分度KS 看好坏样本累计分布的最大差距Lift 看在头部 10% 的群体里坏客户浓度能提升多少倍IV 看每个特征对 Y 的预测能力。后面三个直接决定模型能不能用AUC 0.75 的模型在好人堆里区分度尚可但 KS 如果低于 0.3策略团队大概率不会采纳。from sklearn.metrics import roc_auc_score, roc_curve import numpy as np def compute_ks(y_true, y_pred): fpr, tpr, _ roc_curve(y_true, y_pred) ks max(tpr - fpr) # 业务惯例KS 0.2 认为区分度不足0.3~0.5 为可用0.7 先怀疑目标泄漏 return ks auc roc_auc_score(y_true, y_pred) ks compute_ks(y_true, y_pred) print(fAUC{auc:.4f}, KS{ks:.4f})运行之后先别高兴。KS 高到 0.7 以上的模型在信贷数据里基本意味着 Y 泄漏——某个特征隐含了已经发生逾期的信息比如把“当前欠款金额”放进特征。正常授信评估场景模型是在放款前做决策的放款那一刻之后的信息账单金额、还款行为、催收记录一概不能进特征。这个问题几乎没有例外每批新人都要踩一遍。2.3 数据来源征信字段、自有交易数据与三方数据的拼接做这个课题能拿到的数据通常分三档央行征信报告的衍生变量、平台自有交易/还款行为数据、三方数据机构提供的多头借贷和黑名单分数。传统评分卡主要用征信里的逾期历史、查询次数、负债收入比机器学习模型则可以把自有数据里更细粒度的行为变量加进来如夜间交易占比、提前还款频率、额度使用率的变化斜率。特征不是越多越好而是要考虑业务可解释性和数据更新时间。我见过不少课题组的特征表里塞了 800 多个变量最后模型上线连上线审批都过不了。3. 特征工程是信用模型的胜负手从分箱到 WOE/IV把课程设计级别的评分卡项目和真正能上线的机器学习模型区分开来的往往不是用了多高级的算法而是特征工程做到什么程度。信用数据里大量变量是重度偏态的连续值比如总收入、授信额度、近 6 个月查询次数裸奔进模型之后归一化都困难更麻烦的是缺失率极高、异常值极多。所以这个领域有一套通用做法先分箱再算 WOE再筛 IV。这套流程本身就是“基于机器学习算法的信用风险预测模型研究”这个标题下最值得写进论文、也最值得复现的部分。3.1 连续变量分箱等频、等距与最优分箱分箱就是把连续变量切成几段每段一个离散取值。常见做法有三种等频分箱每箱样本量差不多、等距分箱每箱区间宽度一样、最优分箱依据目标变量做卡方合并或决策树分箱。信用风险建模里我一般不用等距分箱因为数据集中在低值区等距切出来低值区间可能挤了几万个样本高值区间只有几个人稳定性很差。等频分箱是稳妥起点但会导致敏感边界值比如查询 6 次和 7 次跨箱分裂对单调性不友好。import pandas as pd import numpy as np def woe_iv_bin(df, feature, target, bins10): # 等频分箱按分位数切bad_rate 是每箱坏客户占比 df df[[feature, target]].copy() df[bin] pd.qcut(df[feature], qbins, duplicatesdrop) grouped df.groupby(bin, as_indexFalse)[target].agg( totalcount, badsum) grouped[good] grouped[total] - grouped[bad] # WOE 公式ln(坏分布/好分布)分子分母都做平滑防除零 total_bad grouped[bad].sum() total_good grouped[good].sum() grouped[bad_dist] grouped[bad] / total_bad grouped[good_dist] grouped[good] / total_good grouped[woe] np.log((grouped[bad_dist] 1e-6) / (grouped[good_dist] 1e-6)) # IV (坏分布 - 好分布) * WOE度量该变量区分度 grouped[iv_part] (grouped[bad_dist] - grouped[good_dist]) * grouped[woe] iv grouped[iv_part].sum() return grouped, ivWOE 编码的本质是把“每箱内坏客户相对浓度”替换原始数值它让变量与 Y 的关系在箱级别上变成近似单调的这对逻辑回归尤其重要。代码里的1e-6平滑项就是处理某一箱全是好客户或全是坏客户的情况不加这个good_dist等于 0 时对数直接算成负无穷整个 IV 就算废了。实际建模中如果某个变量的 IV 超过了 0.5先别高兴——它很有可能命中了我上一章提到的目标泄漏需要回头查一遍特征时间口径。3.2 IV 值筛选保留哪些特征有行业惯例IV 值的行业经验值大致是这样小于 0.02 的变量基本没有预测力直接丢0.02 到 0.1 属于弱变量在大样本模型里可以留一部分0.1 到 0.3 是主力特征区间大部分优质变量落在这里超过 0.5 就要排查泄漏。我在离线实验里见过的实际数据贷款金额、年龄、性别这类变量的 IV 通常很低0.01 上下而历史逾期次数 M2、最近 3 个月查询次数、负债收入比的 IV 普遍在 0.1 以上。筛选的时候不要只看单变量 IV还要跑一遍相关性矩阵——两个 IV 都是 0.2 的变量如果相关系数 0.9留下一个就够了都留进模型只会放大共线性影响线性模型的可解释性。# 对所有特征跑完 woe_iv_bin 后按 IV 值排序相关性去重 iv_dict {} for col in feature_cols: _, iv woe_iv_bin(df, col, df[label], bins10) iv_dict[col] iv iv_series pd.Series(iv_dict).sort_values(ascendingFalse) selected list(iv_series[iv_series 0.02].index) # 相关性去重两两相关 0.8 时保留 IV 更高的一侧 corr_matrix df[selected].corr().abs() drop_set set() for i in range(len(selected)): for j in range(i 1, len(selected)): if corr_matrix.iloc[i, j] 0.8: if iv_series[selected[i]] iv_series[selected[j]]: drop_set.add(selected[j]) else: drop_set.add(selected[i]) selected [c for c in selected if c not in drop_set]这套筛选流程跑完后变量数量一般会从几百个压到 3080 个。注意上界信用模型特征数量太少比如低于 15 个会导致区分度不足尤其梯度提升树类算法需要足够的特征多样性来切分空间特征太多超过 200 个又会带来线上数据缺失率管理的噩梦——每次模型上线都要给特征表里的每个字段写数据质量监控成本很高。3.3 缺失值与异常值信用数据的“不回答本身也是信息”信用数据里缺失值最特别。一个人的征信报告里某些字段没有记录不一定代表他没有这回事可能代表他从未使用过相应信贷产品也可能代表数据源没覆盖到。实践中我见过一个真实例子“月收入”缺失的人群违约率反而比填了低收入的人更低——因为这部分人大多从没在银行系统里留下收入信息自然也没有过度负债的记录。所以信用模型处理缺失值的首选方案不是删除样本而是单独拆出一个缺失分箱让模型学着区分“缺失”和“有取值”两种情况。WOE 分箱代码里对应的方法很简单分箱前先给缺失值打一个特殊标签再放进groupby一起算缺失箱的 WOE 就能体现出这个信息。异常值处理也同理不要轻易把“月收入 50 万”当成脏数据删掉——很多小企业主、自由职业者的真实收入结构就是大额波动。正确做法是分箱时让高分箱自然吸收尾部或者用分位数截断到 99.9% 分位保留信息但削弱极端值对整个统计量的干扰。这里有个血泪经验千万不要在建模前用全局均值填充缺失后再归一化那会让缺失模式完全消失模型等于丢了一个隐形的强特征。4. 建模对比逻辑回归、XGBoost 与融合模型的实际表现特征工程做完就到了“基于机器学习算法的信用风险预测模型”最核心的部分算法选型和训练评估。这个环节最常见的新手误区是直接上 XGBoost 然后到处调参调不动了就认为是数据问题。实际上逻辑回归在这个领域活了这么多年不是因为简单而是因为稳定、可解释、易监控、线上消耗低。梯度提升树类算法则强在能自动捕捉非线性关系和特征交互。两者不是替代关系而是互补关系。4.1 基线模型必须从逻辑回归开始我建议所有信用风险预测课题先把逻辑回归跑通作为全项目的基线。逻辑回归对经过 WOE 编码的特征几乎“即插即用”因为 WOE 编码后的特征与 Y 的关系已经被改造成接近线性单调逻辑回归只需学一组系数即可。另一个直接理由是风控业务对可解释性的要求策略团队需要知道“为什么拒绝这个客户”分数低、命中高负债比、最近查询次数多线性模型可以直接解释每个特征的边际贡献而树模型给出的 SHAP 解释需要额外维护一套输出逻辑。from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test train_test_split( df[selected], df[label], test_size0.3, random_state42) lr LogisticRegression(C1.0, class_weightbalanced, max_iter200) lr.fit(X_train, y_train) # C 是正则化强度的倒数越小正则越强信用数据特征间相关性强C 设太小会压垮权重 # class_weightbalanced 让坏样本的权重按比例增大专门对抗类别不平衡逻辑回归的参数里最值得花时间的是 C 值。信用特征经过 WOE 编码之后特征量纲基本一致但共线性仍然存在C 设得太大比如 10会让系数过度膨胀训练集表现好看、测试集方差大C 设得太小比如 0.01又会让模型过于保守把特征都压到零附近区分度下降。我一般用网格搜索在 0.0110 之间按对数间隔扫以验证集 KS 为优化目标。max_iter不用卡在默认值50 万样本级别逻辑回归往往需要 200 次以上迭代才收敛。4.2 XGBoost 的调参先调树结构再调正则最后调学习率逻辑回归跑出基线后再用 XGBoost 或者 LightGBM 去挑战这个基线。梯度提升树的训练流程和调参顺序是有讲究的第一步把n_estimators放到 500 以上、learning_rate设为 0.05 左右先固定这两项然后调max_depth和min_child_weight控制树复杂度再调subsample和colsample_bytree控制采样随机性最后回头调n_estimators配合早停。顺序错了会非常浪费时间——先调学习率而树的深度没过关你会在一个错误的结构上反复横跳。import xgboost as xgb dtrain xgb.DMatrix(X_train, labely_train) dtest xgb.DMatrix(X_test, labely_test) params { objective: binary:logistic, eval_metric: auc, max_depth: 4, # 信用数据特征多且弱相关树太深容易记住异常组合 min_child_weight: 50, # 鼓励每个叶子至少有足够样本量防止过拟合稀疏样本 subsample: 0.8, colsample_bytree: 0.8, eta: 0.05, lambda: 1.0, scale_pos_weight: 30, # 坏:好 ≈ 1:30 时用该参数给坏样本加权 } model xgb.train(params, dtrain, num_boost_round500, evals[(dtest, test)], early_stopping_rounds50, verbose_eval50)这段代码里scale_pos_weight30是最关键的一行。信用风险数据坏样本比例通常只有 1%5%XGBoost 默认会把所有样本一视同仁结果就是模型学会“全部预测为好客户”AUC 虽然还能维持在 0.5 以上但毫无区分度。scale_pos_weight设置为负样本量与正样本量的比值是常用的经验值但具体效果要看 KS我一般从 10 开始试往上调到 50观察验证集 KS 的峰值而不是机械地用比例值。要特别警惕的是树模型不需要 WOE 编码直接用原始分箱后的数值或干脆原始连续值效果通常更好。因为树模型自己会找切分点WOE 编码反而把变量分布压得太规则丢失了分箱内部的细微差异。所以完整的特征是两套并存一套 WOE 后的特征喂给逻辑回归另一套原始或分箱后的特征喂给树模型。这也是为什么实际项目里特征存储要比单模型方案多出一倍的字段。4.3 融合方案逻辑回归兜底树模型做补充上线做融合时我见过比较稳妥的做法是逻辑回归输出为 A 分数XGBoost/LightGBM 输出为 B 分数再用一个简单的加权和或者在逻辑回归层再做一次 Stacking合成最终决策分数。不要把两个模型分数简单相加了事——两个分数在量纲和分布上都不一样而且逻辑回归和树模型在处理缺失箱时的行为不同。可以先把两者各自排序分成 10 档再对档位做加权这样能避免一个模型因为分值绝对水平高而垄断决策。from scipy.special import logit import numpy as np # 假设 lr_prob 和 xgb_prob 都来自同一验证集 rank_lr pd.qcut(lr_prob, 10, labelsFalse) # 排序分档消除量纲差异 rank_xgb pd.qcut(xgb_prob, 10, labelsFalse) blend 0.6 * rank_lr 0.4 * rank_xgb # 实际权重要通过简单网格搜索确定0.6/0.4 只是通用起点融合的价值不在“分数更高”而在于稳定性和可解释性。逻辑回归对线性主效应刻画清晰但学不到深层的特征交互树模型擅长交互却很难向业务解释“为什么 A 客户比 B 客户高 3 分”。融合之后策略团队可以用逻辑回归部分做准入规则的刚性拦截用树模型部分做额度差异化定价的软性排序。5. 避坑从训练集好看到线上漂移的常见问题这个章节我要写 4 个反复出现的坑每一个都对应真实项目里踩过的血泪经验而且大多不会出现在教科书和课程设计验收要求里。5.1 现象训练集 KS 0.45验证集 KS 0.42上线两周后掉到 0.25原因不是过拟合是时间穿越。模型训练用了包含未来信息的特征最典型的样本是观察点设置在 2024 年 6 月但特征里有一个“近 3 个月逾期次数”的字段这个字段在线上预测时只能取到 2024 年 6 月之前的数据而训练时如果特征表和标签表来自同一份事后导出的数据近 3 个月就会把标签发生期间的数据也卷进来。解决方法是做特征回溯每个样本只允许使用观察点之前的数据来生成特征。实现上我一般把特征计算从样本表里拆出来每个特征单独按“观察点时间窗口”回拨重算。5.2 现象坏样本占比只有 0.8%树模型迭代 100 轮后全部预测为好客户原因不是模型 bug而是默认目标函数和样本权重不匹配。我在第 4 章已经用scale_pos_weight处理过这里补充一个细节在sklearn的 XGBoost 接口里这个参数叫scale_pos_weight在LightGBM里叫is_unbalance或scale_pos_weight叫法不同但原理一致。如果加权之后坏样本召回率还是过低下一个手段是做欠采样或 SMOTE 过采样但切记SMOTE 生成的新样本是插值出来的在信贷数据里它会创造出现实中不存在的客户组合比如“高收入超高负债零逾期”这会误导树模型的边界。实际项目里我不会对信用数据使用 SMOTE加权已经够了顶多配合欠采样把好样本压到坏样本的 510 倍。5.3 现象验证集 KS 0.5回放历史一个月审批通过率比原策略低了一半原因是用 KS 选阈值而不是用业务成本选阈值。KS 的最优点对应的是“把好坏客户区分得最开”的切分但真实审批要考虑通过率和坏账率的平衡。通常做法是画出坏账率和通过率的曲线由风控负责人给出一个“每拒绝 100 个好客户能拦住多少个坏客户”的接受阈值。模型只在“排序”上是主角“切分”要听业务策略的。我在这个问题上翻过车一版模型 KS 比旧模型高 0.1结果 0.4 的通过率意味着月进件量直接蒸发 6 成最后回退重新调阈值。5.4 现象模型上线后模型分数分布向左偏移PSI 连续两周超过 0.1原因大多数情况不是模型失效而是客群结构变了或业务方改了入口流量策略。举个例子某平台从只做白领客群调整为也接受蓝领客群进件人群的年龄、收入、职业属性分布整体移动模型还是按老客群学到的规律打分分数自然偏移。这时应先做分层监控按渠道、按产品、按客群分别跑 PSI定位是哪一层的分布变了再决定是重新训练、局部调阈值还是做策略开关。不要一看到 PSI 超了就急着重训模型——重训成本高且可能引入新的不稳定。模型监控阶段最好每个模型固定一个参考分布建模时的验证集分布每周更新一组线上分布对比图变成常规动作。6. 从模型分数到业务动作评分卡转换、额度映射与模型维护模型在离线验证集上表现稳定之后还没到交付终点。风控部门实际消费的不是概率、不是 KS 值而是一个“一眼能看懂”的分数——这在全行业有一个几乎是标准答案的做法把模型输出概率映射到 300900 分的信用分区间。逻辑回归系的 WOE 模型有历史悠久的评分卡公式可以直接换算树模型输出的概率则做排序分档后映射。不管用哪种刚从模型切换过来的团队都低估了这层转换的工作量。6.1 将模型概率换算成信用分的标准公式逻辑回归的评分卡公式基于“每增加一定分数好坏比翻倍”的思想。假设基准分为 600 分基准好坏比odds为 50:1每升高 20 分好坏比翻一倍。换算成代码就三行factor 20 / np.log(2) # 好坏比翻倍对应的分数增量除以 ln2 offset 600 - factor * np.log(50) # 基准分校准偏移量 score offset factor * np.log(odds) # odds p / (1 - p)即模型预测概率折算好坏比 # 注意写大公式时直接把偏移和因子乘进去不要用循环几千行直接向量化算参数里20和50都是可调的——按业务容忍度不同分差跨度可以从 10 分调到 30 分基准好坏比从 20:1 调到 100:1。业务侧要的是一个“分数下降 30 分坏账概率大约翻几倍”的直观感受因此完成分数换算后必须配套一张对照说明表写清楚 550 分以下拒绝、550620 分人工审核、620 分以上自动通过的大致分层而不是让策略团队直接拿分去找阈值。6.2 上线后的模型监测与重训周期模型上线后我一般维护三张报表按周看的分数分布直方图、按渠道拆分的 PSI 趋势、按月看的新老客群 KS 衰减曲线。第一年通常每月评估一次如果 PSI 连续 4 周超过阈值就启动重训流程第二年如果客群稳定可以放宽到季度评估。重训时有个细节不要全量重训丢弃旧模型而是先在旧模型基础上增量训练一个候选模型用近 6 个月的新数据做回放对比确认 KS、通过率、坏账率三项指标都没有恶化再切换。切换时要保留旧模型一周的共跑数据作为后盾这是唯一靠谱的“后悔药”机制。6.3 这个方向值不值得做成本收益与未来演进对个人学习来说这个方向很值得做。信用风险预测是少数几个“既有业务深度又有算法复杂度、还不需要专属硬件就能复现”的机器学习方向一套 5 万行样本量级的信贷数据一台普通笔记本完全跑得动特征工程方法论可以直接迁移到反欺诈、客户流失预测等相邻领域。课程设计选题如果选这个答辩时把 WOE/IV 流程和上面避坑章节里的标签定义讲清楚就能和只会调 XGBoost 的同学拉开明显差距。对企业投入来说只要业务方有稳定的进件流量和至少一年的历史表现数据搭建这条流程的边际成本并不高但如果只有几万条样本、标签还没有时间窗口先别上机器学习——用一套专家规则评分卡处置半天内能解决的问题比养一个看起来高级的模型更划算。最后补一个我的个人习惯每次建模完工后我会把当时定义的观察期、表现期、标签口径、IV 筛选阈值、模型参数全部以 JSON 文件存档并在文件名里加上日期。这个习惯救过我至少三次——三个月后模型表现下滑回去查参数时才发现当时的scale_pos_weight是 40而记录里写的是 30。存档不花时间重训模型时翻旧账才花时间。希望这个习惯和上面这些过程细节能帮你把这套流程一次跑通少走几段我走过的弯路。本文还有配套的精品资源点击获取

信用风险预测模型实战：从标签定义、WOE特征工程到评分卡转换

相关推荐

强激光大气热晕效应相位屏建模与MATLAB仿真实现

航拍滑坡数据集4315张VOC+YOLO双格式

程序员数学知识地图：概率统计线代离散图论速查与Python验证

更多资讯

CSS 闪烁效果（Blink）实战：用 You-need-to-know-css 示例彻底搞懂 animation-direction 四个取值

AWS SDK for Go v2 DynamoDB 服务客户端演进全解：从版本历史到 Cortex 落地实践

2019大数据机器学习教学实践：从答案文档反推工程闭环

高校运动会管理系统数据库设计：从ER图到MySQL完整实现

PID温度控制实战：从参数整定到积分饱和的完整避坑指南

国产芯片如何通过工控机实现工业级实时性与环境适配

今日更新

Susi AI API实战指南：susi_alexa_skill如何用Node.js调用chat.json获取智能回答

换新电脑了？KeyStats 恢复码数据找回完全指南，端到端加密统计一键重建

重建二叉树：由前序与中序遍历序列还原二叉树的原理与 Java 实现（YCBlogs 剑指 Offer 精讲）

本周精选

交通拥堵预测毕设：基于Python+LSTM的车辆流量预测系统全流程解析

MATLAB/Simulink搭建10机39节点电力系统暂态稳定仿真实战

无人机航拍三维重建全流程：从SfM到网格生成的避坑指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？