基线模型构建与评估：快速搭建逻辑回归基线、记录初始指标、识别优化起点

任何评分模型的迭代优化都必须基于一个稳定、可复现的基线。本章的核心任务是：用逻辑回归搭建最简单的概率评分模型，记录全面的初始指标，并通过诊断手段找到模型的第一批优化方向。基线不是最终方案，而是后续所有改进的刻度尺。

1 基线建模核心原则

逻辑回归作为广义线性模型，天然适用于二分类评分任务。其输出值可直接解释为概率分数，满足“机会评分”的业务语义。搭建基线时应遵循三条原则：

• 最小特征集：仅使用原始数值特征，不做交叉、不做非线性变换，保持模型可解释性。
• 默认正则化：逻辑回归默认带 L2 正则化，参数 C=1.0，防止过拟合但又不过度限制。
• 固定随机种子：确保每次跑分结果一致，记录实验环境。

2 实现流程（Python / scikit-learn）

下面的代码片段展示了从数据准备到模型训练、预测评分、记录指标的完整基线流程。请逐行理解后再复制运行。

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import (
    roc_auc_score, average_precision_score,
    brier_score_loss, log_loss,
    precision_recall_curve, accuracy_score
)

# 1. 加载预清洗数据（假设已处理缺失值和异常值）
df = pd.read_csv('cleaned_opportunity_data.csv')
X = df.drop(columns=['target', 'id'])
y = df['target']

# 2. 划分训练集/验证集（66% / 34%）
X_train, X_val, y_train, y_val = train_test_split(
    X, y, test_size=0.34, random_state=42, stratify=y
)

# 3. 构建基线逻辑回归（L2正则化，默认C=1.0）
baseline_model = LogisticRegression(
    penalty='l2',
    C=1.0,
    solver='lbfgs',
    max_iter=500,
    random_state=42
)
baseline_model.fit(X_train, y_train)

# 4. 预测概率分数（评分）
y_prob = baseline_model.predict_proba(X_val)[:, 1]

# 5. 计算核心指标
metrics = {
    'AUC':          roc_auc_score(y_val, y_prob),
    'AP':           average_precision_score(y_val, y_prob),
    'Brier':        brier_score_loss(y_val, y_prob),
    'LogLoss':      log_loss(y_val, y_prob),
    'Accuracy@0.5': accuracy_score(y_val, (y_prob >= 0.5).astype(int))
}
for name, val in metrics.items():
    print(f"{name:>15} : {val:.4f}")

3 初始指标记录表

运行上述代码后，应立即将结果填入固定的记录表。下列数据来自一个典型的企业机会评分任务（正样本占比约 10%）：

记录时要附带实验配置：数据版本、特征数量（本例为 24 个原始特征）、训练集大小（12500 条）、验证集大小（6800 条）。这些元数据在后续迭代中能帮助快速定位回归。

4 识别优化起点：从基线诊断入手

基线输出不应止步于指标值。必须通过可视化诊断表来识别具体的失效区域。下面是一个典型的诊断环节：

• 概率分布直方图：检查预测分数的双峰分离程度。若正负样本的预测分数大量重叠，说明特征区分力不足。
• 校准曲线（Calibration Curve）：如果 Brier Score 远大于 0.10，通常表明模型存在系统性高估或低估。校准曲线可以揭示分数区间的偏移方向。
• Precision-Recall 曲线：在召回率较低（如 20%-40%）时精确率下降的斜率，能指出哪段分数区间的误判最严重。

5 基线模型结构：特征 → 评分 → 评估回路

下图完整展示了基线构建的闭环。请重点关注“输出指标”与“诊断反馈”两条支路——它们共同决定了下一阶段优化的入口。

6 基线记录清单与常见性能瓶颈

完成第一次运行后，请根据下表检查是否遗漏了必要的基线工件：

常见性能瓶颈及快速排查建议：

• AUC < 0.65：说明线性模型几乎无法区分正负样本。优化重点放在特征交叉或核映射上。
• Brier Score > 0.20：概率校准严重偏离，先检查数据是否存在标签噪声，再考虑 isotonic regression 校准。
• LogLoss 指标震荡：验证集可能在训练中被污染，或 solver 未收敛（增大 max_iter 到 2000）。
• 特征权重标准差极小：所有特征接近于 0，提示正则化过强，尝试 C=10.0 或关闭 L2。