林荃歌开始工作，这一肝就到了深夜。
她揉了揉酸疼的肩膀，看了看手机，居然已经12点了。
有不少信息，最主要的是有殷连承的信息。
她不确定这里有没有监控，只能快速回复：抱歉老大，才看见。未提及债券，正全力准备比赛。昨日偶遇明瑜麟，他向您投来联姻的橄榄枝。
这大少爷似乎实时在线，立刻回复了ok，也不知回复什么，就ok了。
还有四天要奋战，林荃歌准备循序渐进，先下去看看有什么吃的，再好好休息休息。
她出了房门，走廊上灯光明亮，她下了楼，楼下更是金碧辉煌，水晶吊灯散发出璀璨光芒。
她刚走到楼下，就有女佣迎上来：“何先生，您是不是需要夜宵?”
“谢谢。都有什么？”
“广式点心好吗？”
“好。麻烦啦。”广式点心正合她意，她跟着女佣走到了餐桌前。
没想到，居然又是满满当当的一大桌。
就快睡了，她便少少用了一些。
她吃饭的当头，刘嫂立刻去禀报了姚霖彦。
姚霖彦正和郑雅勋二人打游戏，听见禀报表示知道了。
“阿彦，我们上次明明拿了决赛第五，你为何骗他？”
“那不是要人家，没有负担地参赛嘛！你是不是找死，突然冲出来。”
“靠！我不是晃神了嘛！对了，你为什么非用他，上次那个不是挺好的？”
“上次那个虽然有经验，但是没什么冲击力。这小子很机灵，我觉得第一有希望。这次我非把第一的奖金拿到手不可。”
“简家肯定横插一脚，银行是他们家的，第一名肯定是自己人。”
“你看着吧，这小子说不定会给我们惊喜。决赛有电视台，简家再怎么一手遮天，也不敢当着电视台的面，动我们商家。”
这边，用完夜宵，林荃歌便跟着刘嫂去了房间里休息。
哎！这么些天，也不能更换假阳具和假胸，幸好不用跑来跑去，不然她真的会被自己熏死。
之后的连续三天，她都沉浸在建模中，无法自拔。
她甚至昼伏夜出，作息颠倒，幸好24小时有人提供食物，不然她真的会晕过去。
第二天就要交方案了，趁着晚饭时间，林荃歌直接找了姚霖彦，将方案递给他看。
姚霖彦正和郑雅勋二人热火朝天地打游戏，见她进来，二人都不由自主地放下了手里的鼠标，各自接过稿子。
“成稿了？”姚霖彦上上下下地翻着稿子。
“是。”
“你简单给我们说说。”
“好。”林荃歌直接走到姚霖彦身边，在文稿中展示她的思路。
“我先是构造了客户违约风险预测模型框架。”林荃歌指了指最上方的图表，“然后构建了xgboost、catboost两个模型。”
“通过观察训练集与测试集样本，发现测试集中出现的部分客户贷款记录是训练集中所没有的，这意味着训练出来的模型将学习不到测试集中这部分贷款记录信息，从而导致模型出现预测误差。”
林荃歌翻页，又指了指建模后对数据的分析。
她又指着四张对比图表：“根据特征的违约频率分布可视化，可以明显看到分布比较混乱。减少特征分布混乱的数据导致的噪声问题，提高模型的学习能力。”
林荃歌点点结论：“当学历水平与最高学历水平相等时，用户违约率极低，仅有02273，在一定程度上反映了客户的信用水平。”
她翻页后，继续跟进图标分析：“下面，我进行了更细粒度的特征挖掘。”
她指了指下面的图形阐释：“在风控领域，标签对主体特征非常敏感，所以我们通过构造欺诈率特征来表征类别特征，获得了极高的收益。但在实际的构建过程中，直接使用均值会造成标签泄漏，这里我们采用kfold方式进行欺诈率特征提取。
“将训练集分为5个fold，每个fold使用其余4个fold的欺诈率作为特征。”
“对全量训练集五折交叉验证后，在线下auc指标增加的情况下，选取训练集中isnew=1的数据集进行线下的五折交叉验证，当线下auc与线上auc都增加时，才保留该部分特征。”
“通过rank加权几何平均来得出最后的融合。这样的模型就能够预测客户是否会出现信用违约行为。”
林荃歌说完，看了看两人：“您二位觉得这样如何？”
“明天就交稿了，你带我们去看看模型。”
姚霖彦直接站了起来，郑雅勋也跟着站了起来。
“好。”
三人直接回了书房，林荃歌将模型展示给二人看，并让姚霖彦选取了其中一个客户数据，进行验证。
“模型显示出该客户会违约，符合预期。我们的这个模型，有四大创新点：一是能发现潜在的欺诈行为。二是增强了模型学习测试集的能力。三是更贴近实际的业务意义，特征解释性强。四是双重线下验证的特征筛选，保证了模型的稳定性。
听完，二人互相对