立即前往

活动

天翼云最新优惠活动,涵盖免费试用,产品折扣等,助您降本增效!
查看全部活动
热门活动
  • 智算采购季 热销S6云服务器2核4G限时88元/年起,部分主机可加赠对象存储组合包!
  • 免费体验DeepSeek,上天翼云息壤 NEW 新老用户均可免费体验2500万Tokens,限时两周
  • 云上钜惠 HOT 爆款云主机全场特惠,更有万元锦鲤券等你来领!
  • 算力套餐 HOT 让算力触手可及
  • 天翼云脑AOne NEW 连接、保护、办公,All-in-One!
  • 一键部署Llama3大模型学习机 0代码一键部署,预装最新主流大模型Llama3与StableDiffusion
  • 中小企业应用上云专场 产品组合下单即享折上9折起,助力企业快速上云
  • 息壤高校钜惠活动 NEW 天翼云息壤杯高校AI大赛,数款产品享受线上订购超值特惠
  • 天翼云电脑专场 HOT 移动办公新选择,爆款4核8G畅享1年3.5折起,快来抢购!
  • 天翼云奖励推广计划 加入成为云推官,推荐新用户注册下单得现金奖励
免费活动
  • 免费试用中心 HOT 多款云产品免费试用,快来开启云上之旅
  • 天翼云用户体验官 NEW 您的洞察,重塑科技边界

智算服务

打造统一的产品能力,实现算网调度、训练推理、技术架构、资源管理一体化智算服务
智算云(DeepSeek专区)
科研助手
  • 算力商城
  • 应用商城
  • 开发机
  • 并行计算
算力互联调度平台
  • 应用市场
  • 算力市场
  • 算力调度推荐
一站式智算服务平台
  • 模型广场
  • 体验中心
  • 服务接入
智算一体机
  • 智算一体机
大模型
  • DeepSeek-R1-昇腾版(671B)
  • DeepSeek-R1-英伟达版(671B)
  • DeepSeek-V3-昇腾版(671B)
  • DeepSeek-R1-Distill-Llama-70B
  • DeepSeek-R1-Distill-Qwen-32B
  • Qwen2-72B-Instruct
  • StableDiffusion-V2.1
  • TeleChat-12B

应用商城

天翼云精选行业优秀合作伙伴及千余款商品,提供一站式云上应用服务
进入甄选商城进入云市场创新解决方案
办公协同
  • WPS云文档
  • 安全邮箱
  • EMM手机管家
  • 智能商业平台
财务管理
  • 工资条
  • 税务风控云
企业应用
  • 翼信息化运维服务
  • 翼视频云归档解决方案
工业能源
  • 智慧工厂_生产流程管理解决方案
  • 智慧工地
建站工具
  • SSL证书
  • 新域名服务
网络工具
  • 翼云加速
灾备迁移
  • 云管家2.0
  • 翼备份
资源管理
  • 全栈混合云敏捷版(软件)
  • 全栈混合云敏捷版(一体机)
行业应用
  • 翼电子教室
  • 翼智慧显示一体化解决方案

合作伙伴

天翼云携手合作伙伴,共创云上生态,合作共赢
天翼云生态合作中心
  • 天翼云生态合作中心
天翼云渠道合作伙伴
  • 天翼云代理渠道合作伙伴
天翼云服务合作伙伴
  • 天翼云集成商交付能力认证
天翼云应用合作伙伴
  • 天翼云云市场合作伙伴
  • 天翼云甄选商城合作伙伴
天翼云技术合作伙伴
  • 天翼云OpenAPI中心
  • 天翼云EasyCoding平台
天翼云培训认证
  • 天翼云学堂
  • 天翼云市场商学院
天翼云合作计划
  • 云汇计划
天翼云东升计划
  • 适配中心
  • 东升计划
  • 适配互认证

开发者

开发者相关功能入口汇聚
技术社区
  • 专栏文章
  • 互动问答
  • 技术视频
资源与工具
  • OpenAPI中心
开放能力
  • EasyCoding敏捷开发平台
培训与认证
  • 天翼云学堂
  • 天翼云认证
魔乐社区
  • 魔乐社区

支持与服务

为您提供全方位支持与服务,全流程技术保障,助您轻松上云,安全无忧
文档与工具
  • 文档中心
  • 新手上云
  • 自助服务
  • OpenAPI中心
定价
  • 价格计算器
  • 定价策略
基础服务
  • 售前咨询
  • 在线支持
  • 在线支持
  • 工单服务
  • 建议与反馈
  • 用户体验官
  • 服务保障
  • 客户公告
  • 会员中心
增值服务
  • 红心服务
  • 客户支持计划
  • 专家技术服务
  • 备案管家

了解天翼云

天翼云秉承央企使命,致力于成为数字经济主力军,投身科技强国伟大事业,为用户提供安全、普惠云服务
品牌介绍
  • 关于天翼云
  • 智算云
  • 天翼云4.0
  • 新闻资讯
  • 天翼云APP
基础设施
  • 全球基础设施
  • 产品能力
  • 信任中心
最佳实践
  • 精选案例
  • 超级探访
  • 云杂志
  • 分析师和白皮书
  • 天翼云·创新直播间
市场活动
  • 2025智能云生态大会
  • 2024智算云生态大会
  • 2023云生态大会
  • 2022云生态大会
  • 天翼云中国行
天翼云
  • 活动
  • 智算服务
  • 产品
  • 解决方案
  • 应用商城
  • 合作伙伴
  • 开发者
  • 支持与服务
  • 了解天翼云
    • 关系数据库SQL Server版
    • 企业主机安全
    • 云防火墙
    • CDN加速
    • 物理机
    • GPU云主机
    • 天翼云电脑(政企版)
    • 天翼云电脑(公众版)
    • 云主机备份
    • 弹性云主机
      搜索发现
      关系数据库SQL Server版企业主机安全云防火墙CDN加速物理机GPU云主机天翼云电脑(政企版)天翼云电脑(公众版)云主机备份弹性云主机
    • 文档
    • 控制中心
    • 备案
    • 管理中心
    • 登录
    • 免费注册

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    首页 知识中心 软件开发 文章详情页

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    2024-09-24 06:31:17 阅读次数:39

    python,数据分析

    最近我们被客户要求撰写关于信贷风控模型的研究报告,包括一些图形和统计输出。在此数据集中,我们必须预测信贷的违约支付,并找出哪些变量是违约支付的最强预测因子?以及不同人口统计学变量的类别,拖欠还款的概率如何变化?

    有25个变量:

    1. ID: 每个客户的ID
    2. LIMIT_BAL: 金额
    3. SEX: 性别(1 =男,2 =女)
      4.教育程度:(1 =研究生,2 =本科,3 =高中,4 =其他,5 =未知)
      5.婚姻: 婚姻状况(1 =已婚,2 =单身,3 =其他)
      6.年龄:
      7.  PAY_0:  2005年9月的还款状态(-1 =正常付款,1 =延迟一个月的付款,2 =延迟两个月的付款,8 =延迟八个月的付款,9 =延迟9个月以上的付款)
    4. PAY_2:  2005年8月的还款状态(与上述相同)
    5. PAY_3: 2005年7月的还款状态(与上述相同)
    6. PAY_4:  2005年6月的还款状态(与上述相同)
    7. PAY_5:  2005年5月的还款状态(与上述相同)
    8. PAY_6: 还款状态2005年4月 的账单(与上述相同)
    9. BILL_AMT1: 2005年9月的账单金额
    10. BILL_AMT2:  2005年8月的账单金额
    11. BILL_AMT3: 账单金额2005年7月 的账单金额
    12. BILL_AMT4: 2005年6月的账单金额
    13. BILL_AMT5:  2005年5月的账单金额
    14. BILL_AMT6: 2005年4月
    15. PAY_AMT1  2005年9月,先前支付金额
    16. PAY_AMT2  2005年8月,以前支付的金额
    17. PAY_AMT3: 2005年7月的先前付款
    18. PAY_AMT4:  2005年6月的先前付款
    19. PAY_AMT5:  2005年5月的先前付款
    20. PAY_AMT6: 先前的付款额在2005年4月
    21. default.payment.next.month: 默认付款(1 =是,0 =否)

    现在,我们知道了数据集的整体结构。因此,让我们应用在应用机器学习模型时通常应该执行的一些步骤。

    第1步:导入

    import numpy as np
    import matplotlib.pyplot as plt

    所有写入当前目录的结果都保存为输出。

    dataset = pd.read_csv('Card.csv')

    现在让我们看看数据是什么样的

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    第2步:数据预处理和清理

    dataset.shape
    (30000, 25)

    意味着有30,000条目包含25列

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    从上面的输出中可以明显看出,任何列中都没有对象类型不匹配。

    #检查数据中Null项的数量,按列计算。
    dataset.isnull().sum()

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    步骤3.数据可视化和探索性数据分析

    # 按性别检查违约者和非违约者的计数数量
    sns.countplot

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    从上面的输出中可以明显看出,与男性相比,女性的整体拖欠付款更少

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    可以明显看出,那些拥有婚姻状况的人的已婚状态人的默认拖欠付款较少。

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    sns.pairplot

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    sns.jointplot

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    男女按年龄分布

    g.map(plt.hist,'AGE')
    dataset['LIMIT_BAL'].plot.density

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    步骤4.找到相关性

    X.corrwith

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    从上图可以看出,最负相关的特征是LIMIT_BAL,但我们不能盲目地删除此特征,因为根据我的看法,这对预测非常重要。ID无关紧要,并且在预测中没有任何作用,因此我们稍后将其删除。

    # 绘制热图
    sns.heatmap(corr)

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    01

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    02

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    03

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    04

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    步骤5:将数据分割为训练和测试集

    训练数据集和测试数据集必须相似,通常具有相同的预测变量或变量。它们在变量的观察值和特定值上有所不同。如果将模型拟合到训练数据集上,则将隐式地最小化误差。拟合模型为训练数据集提供了良好的预测。然后,您可以在测试数据集上测试模型。如果模型在测试数据集上也预测良好,则您将更有信心。因为测试数据集与训练数据集相似,但模型既不相同也不相同。这意味着该模型在真实意义上转移了预测或学习。

    因此,通过将数据集划分为训练和测试子集,我们可以有效地测量训练后的模型,因为它以前从未看到过测试数据,因此可以防止过度拟合。

    我只是将数据集拆分为20%的测试数据,其余80%将用于训练模型。

    train_test_split(X, y, test_size = 0.2, random_state = 0)

    步骤6:规范化数据:特征标准化

    对于许多机器学习算法而言,通过标准化(或Z分数标准化)进行特征标准化可能是重要的预处理步骤。

    许多算法(例如SVM,K近邻算法和逻辑回归)都需要对特征进行规范化,

    min_test = X_test.min()
    range_test = (X_test - min_test).max()
    X_test_scaled = (X_test - min_test)/range_test

    步骤7:应用机器学习模型

    from sklearn.ensemble  import AdaBoostClassifier
    adaboost =AdaBoostClassifier()
    xgb_classifier.fit(X_train_scaled, y_train,verbose=True)
    end=time()
    train_time_xgb=end-start

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    应用具有100棵树和标准熵的随机森林

    classifier = RandomForestClassifier(random_state = 47, 
                                        criterion = 'entropy',n_estimators=100)

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    svc_model = SVC(kernel='rbf', gamma=0.1,C=100)

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    knn = KNeighborsClassifier(n_neighbors = 7)

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    步骤8:分析和比较机器学习模型的训练时间

    Train_Time = [
        train_time_ada,
        train_time_xgb,
        train_time_sgd,
        train_time_svc,
        train_time_g,
        train_time_r100,
        
        train_time_knn
    ]

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    从上图可以明显看出,与其他模型相比,Adaboost和XGboost花费的时间少得多,而其他模型由于SVC花费了最多的时间,原因可能是我们已经将一些关键参数传递给了SVC。

    步骤9.模型优化

    在每个迭代次数上,随机搜索的性能均优于网格搜索。同样,随机搜索似乎比网格搜索更快地收敛到最佳状态,这意味着迭代次数更少的随机搜索与迭代次数更多的网格搜索相当。

    在高维参数空间中,由于点变得更稀疏,因此在相同的迭代中,网格搜索的性能会下降。同样常见的是,超参数之一对于找到最佳超参数并不重要,在这种情况下,网格搜索浪费了很多迭代,而随机搜索却没有浪费任何迭代。

    现在,我们将使用Randomsearch cv优化模型准确性。如上表所示,Adaboost在该数据集中表现最佳。因此,我们将尝试通过微调adaboost和SVC的超参数来进一步优化它们。

    参数调整

    现在,让我们看看adaboost的最佳参数是什么

    random_search.best_params_
    {'random_state': 47, 'n_estimators': 50, 'learning_rate': 0.01}
    random_search.best_params_
    {'n_estimators': 50, 'min_child_weight': 4, 'max_depth': 3}

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    random_search.best_params_
    {'penalty': 'l2', 'n_jobs': -1, 'n_iter': 1000, 'loss': 'log', 'alpha': 0.0001}

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    出色的所有指标参数准确性,F1分数精度,ROC,三个模型adaboost,XGBoost和SGD的召回率现已优化。此外,我们还可以尝试使用其他参数组合来查看是否会有进一步的改进。

    ROC曲线图

    auc = metrics.roc_auc_score(y_test,model.predict(X_test_scaled))
    
    plt.plot([0, 1], [0, 1],'r--')

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    # 计算测试集分数的平均值和标准差
    test_mean = np.mean
    
    # 绘制训练集和测试集的平均准确度得分
    plt.plot
    # 绘制训练集和测试集的准确度。
    plt.fill_between

    Python信贷风控模型:Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据

    验证曲线的解释

    如果树的数量在10左右,则该模型存在高偏差。两个分数非常接近,但是两个分数都离可接受的水平太远,因此我认为这是一个高度偏见的问题。换句话说,该模型不适合。

    在最大树数为250的情况下,由于训练得分为0.82但验证得分约为0.81,因此模型存在高方差。换句话说,模型过度拟合。同样,数据点显示出一种优美的曲线。但是,我们的模型使用非常复杂的曲线来尽可能接近每个数据点。因此,具有高方差的模型具有非常低的偏差,因为它几乎没有假设数据。实际上,它对数据的适应性太大。

    从曲线中可以看出,大约30到40的最大树可以最好地概括看不见的数据。随着最大树的增加,偏差变小,方差变大。我们应该保持两者之间的平衡。在30到40棵树的数量之后,训练得分就开始上升,而验证得分开始下降,因此我开始遭受过度拟合的困扰。因此,这是为什么30至40之间的任何数量的树都是一个不错的选择的原因。

    结论

    因此,我们已经看到,调整后的Adaboost的准确性约为82.95%,并且在所有其他性能指标(例如F1分数,Precision,ROC和Recall)中也取得了不错的成绩。

    此外,我们还可以通过使用Randomsearch或Gridsearch进行模型优化,以找到合适的参数以提高模型的准确性。

    我认为,如果对这三个模型进行了适当的调整,它们的性能都会更好。

    版权声明:本文内容来自第三方投稿或授权转载,原文地址:https://blog.51cto.com/u_14293657/5910370,作者:拓端tecdat,版权归原作者所有。本网站转在其作品的目的在于传递更多信息,不拥有版权,亦不承担相应法律责任。如因作品内容、版权等问题需要同本网站联系,请发邮件至ctyunbbs@chinatelecom.cn沟通。

    上一篇:SpringBoot入门二十五,默认的404错误页面引入css和js文件

    下一篇:Caffe源码中Pooling Layer文件分析

    相关文章

    2025-04-14 09:24:23

    python打印宝塔代码

    python打印宝塔代码

    2025-04-14 09:24:23
    python
    2025-04-09 09:16:56

    python四种抽样方法的使用:随机抽样、聚类抽样、系统抽样、分层抽样

    python四种抽样方法的使用:随机抽样、聚类抽样、系统抽样、分层抽样

    2025-04-09 09:16:56
    python , 代码 , 方法 , 机器学习 , 示例
    2025-04-09 09:16:42

    python简单介绍及基础知识(一)

    编程语言,是用来实现某种功能的编写给计算机读取和执行的语言

    2025-04-09 09:16:42
    print , python , 下划线 , 变量 , 变量名 , 编程语言 , 语言
    2025-04-09 09:16:42

    视频 | Python测试开发之调试print代码实例

    视频 | Python测试开发之调试print代码实例

    2025-04-09 09:16:42
    debug , log4j , logback , logging , python
    2025-04-09 09:16:00

    使用Python扩展PAM(part 2)

    在上篇part1 中编译的pam_python.so可以用Python代码进行一些额外的验证操作。动态密码,虚拟账号,都是可行的,只要编写的python鉴权脚本符合相应的PAM规范即可使用。

    2025-04-09 09:16:00
    python , 使用 , 密码 , 配置
    2025-04-09 09:13:27

    1行Python代码,把Excel转成PDF,python-office功能更新~

    1行Python代码,把Excel转成PDF,python-office功能更新~

    2025-04-09 09:13:27
    Excel , pdf , python , 代码 , 程序员
    2025-04-09 09:13:17

    python性能测试之pyperformance

    python性能测试之pyperformance

    2025-04-09 09:13:17
    json , python , Python , 性能 , 文档 , 测试
    2025-04-09 09:13:17

    IronPython 与 c# 交互之导入Python模块的两种方法

    当我们要在C#中调用python时,有时候需要用到python里的一些函数,比如进行一些数学运算,开方,取对数,这个时候我们需要用到python里的math模块(类似C#的命名空间,但概念不完全一样).

    2025-04-09 09:13:17
    python , 函数 , 导入 , 方法 , 模块
    2025-04-07 10:28:48

    一篇文章教会你Python中三种简单函数的使用

    所谓函数,就是指:把某些特定功能的代码组成为一个整体,这个整体就叫做函数。

    2025-04-07 10:28:48
    python , 调用函数
    2025-04-07 10:28:48

    一篇文章带你剖析Python 字节流处理神器struct

    一篇文章带你剖析Python 字节流处理神器struct

    2025-04-07 10:28:48
    python
    查看更多
    推荐标签

    作者介绍

    天翼云小翼
    天翼云用户

    文章

    32777

    阅读量

    4821417

    查看更多

    最新文章

    python打印宝塔代码

    2025-04-14 09:24:23

    python四种抽样方法的使用:随机抽样、聚类抽样、系统抽样、分层抽样

    2025-04-09 09:16:56

    视频 | Python测试开发之调试print代码实例

    2025-04-09 09:16:42

    python简单介绍及基础知识(一)

    2025-04-09 09:16:42

    使用Python扩展PAM(part 2)

    2025-04-09 09:16:00

    1行Python代码,把Excel转成PDF,python-office功能更新~

    2025-04-09 09:13:27

    查看更多

    热门文章

    Linux实用命令authconfig和authconfig-tui(备忘)

    2023-03-16 07:49:58

    Python高级变量类型

    2024-09-24 06:30:08

    python学习——面向对象编程

    2023-04-25 10:20:57

    一个简单的http server,处理get和post请求,Python实现

    2023-04-13 09:31:09

    Python数据库测试实战教程

    2023-06-07 07:31:52

    Python编程:生成器yield与yield from区别简单理解

    2023-02-21 03:02:11

    查看更多

    热门标签

    java Java python 编程开发 开发语言 代码 算法 线程 html Python 数组 C++ javascript c++ 元素
    查看更多

    相关产品

    弹性云主机

    随时自助获取、弹性伸缩的云服务器资源

    天翼云电脑(公众版)

    便捷、安全、高效的云电脑服务

    对象存储

    高品质、低成本的云上存储服务

    云硬盘

    为云上计算资源提供持久性块存储

    查看更多

    随机文章

    Python统计学13——回归的多重共线性、异方差、自相关的检验

    FastAPI查询Query单个或多个值列表,python

    python编程:turtle函数库笔记-4

    pycharm一键调整代码格式(快捷键)

    python日志保存与打印

    python编程-14:tkinter绘制接收事件的图形_

    • 7*24小时售后
    • 无忧退款
    • 免费备案
    • 专家服务
    售前咨询热线
    400-810-9889转1
    关注天翼云
    • 权益商城
    • 天翼云APP
    • 天翼云微信公众号
    服务与支持
    • 备案中心
    • 售前咨询
    • 智能客服
    • 自助服务
    • 工单管理
    • 客户公告
    • 涉诈举报
    账户管理
    • 管理中心
    • 订单管理
    • 余额管理
    • 发票管理
    • 充值汇款
    • 续费管理
    快速入口
    • 权益商城
    • 文档中心
    • 最新活动
    • 免费试用
    • 信任中心
    • 天翼云学堂
    云网生态
    • 甄选商城
    • 渠道合作
    • 云市场合作
    了解天翼云
    • 关于天翼云
    • 天翼云APP
    • 服务案例
    • 新闻资讯
    • 联系我们
    热门产品
    • 云电脑
    • 弹性云主机
    • 云电脑政企版
    • 天翼云手机
    • 云数据库
    • 对象存储
    • 云硬盘
    • Web应用防火墙
    • 服务器安全卫士
    • CDN加速
    热门推荐
    • 云服务备份
    • 边缘安全加速平台
    • 全站加速
    • 安全加速
    • 云服务器
    • 云主机
    • 智能边缘云
    • 应用编排服务
    • 微服务引擎
    • 共享流量包
    更多推荐
    • web应用防火墙
    • 密钥管理
    • 等保咨询
    • 安全专区
    • 应用运维管理
    • 云日志服务
    • 文档数据库服务
    • 云搜索服务
    • 数据湖探索
    • 数据仓库服务
    友情链接
    • 中国电信集团
    • 189邮箱
    • 天翼企业云盘
    • 天翼云盘
    ©2025 天翼云科技有限公司版权所有 增值电信业务经营许可证A2.B1.B2-20090001
    公司地址:北京市东城区青龙胡同甲1号、3号2幢2层205-32室
    • 用户协议
    • 隐私政策
    • 个人信息保护
    • 法律声明
    备案 京公网安备11010802043424号 京ICP备 2021034386号