3.4.5　深度神經網絡

深度神經網絡（Deep Neural Network，DNN）在AI領域已經落地較多，在智能風控領域也有著越來越多的嘗試。對于頭部互聯網金融機構的貸前場景來說，由于業務開展較早和規模較大，已經積累了幾十萬的申請樣本和對應的還款表現，并且內外部數據標簽上千維，可以利用DNN建立申請評分模型。DNN是深度學習中最經典的框架，由輸入層、若干個隱藏層和輸出層組成。其中，每個隱藏層都具有若干個節點，層與層的節點之間具有連接，需要求解連接的函數，來確定一個最優的DNN模型。看似復雜，其實DNN與我們熟悉的邏輯回歸存在緊密聯系，邏輯回歸的本質是一個僅含有一個節點的單層神經網絡模型，DNN可以理解為多個邏輯回歸“交織”在一起，因此具有比邏輯回歸強得多的學習能力。比DNN更進一步，Google于2016年提出Wide&Deep的框架，將線性模型和深度模型利用聯合訓練的方式結合起來，既保證了顯性特征的可解釋性，又挖掘了隱性特征的預測能力，也被智能風控領域的建模人員廣泛嘗試。