3.4.5　深度神經(jīng)網(wǎng)絡(luò)

深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）在AI領(lǐng)域已經(jīng)落地較多，在智能風(fēng)控領(lǐng)域也有著越來(lái)越多的嘗試。對(duì)于頭部互聯(lián)網(wǎng)金融機(jī)構(gòu)的貸前場(chǎng)景來(lái)說(shuō)，由于業(yè)務(wù)開(kāi)展較早和規(guī)模較大，已經(jīng)積累了幾十萬(wàn)的申請(qǐng)樣本和對(duì)應(yīng)的還款表現(xiàn)，并且內(nèi)外部數(shù)據(jù)標(biāo)簽上千維，可以利用DNN建立申請(qǐng)?jiān)u分模型。DNN是深度學(xué)習(xí)中最經(jīng)典的框架，由輸入層、若干個(gè)隱藏層和輸出層組成。其中，每個(gè)隱藏層都具有若干個(gè)節(jié)點(diǎn)，層與層的節(jié)點(diǎn)之間具有連接，需要求解連接的函數(shù)，來(lái)確定一個(gè)最優(yōu)的DNN模型。看似復(fù)雜，其實(shí)DNN與我們熟悉的邏輯回歸存在緊密聯(lián)系，邏輯回歸的本質(zhì)是一個(gè)僅含有一個(gè)節(jié)點(diǎn)的單層神經(jīng)網(wǎng)絡(luò)模型，DNN可以理解為多個(gè)邏輯回歸“交織”在一起，因此具有比邏輯回歸強(qiáng)得多的學(xué)習(xí)能力。比DNN更進(jìn)一步，Google于2016年提出Wide&Deep的框架，將線性模型和深度模型利用聯(lián)合訓(xùn)練的方式結(jié)合起來(lái)，既保證了顯性特征的可解釋性，又挖掘了隱性特征的預(yù)測(cè)能力，也被智能風(fēng)控領(lǐng)域的建模人員廣泛嘗試。