2、信任评分模型基础：模型输入与输出、特征工程简介、评分卡与权重设计

好，咱们进入正题。信任评分模型，说白了就是一套把「信任」这个模糊概念，变成具体分数的数学工具。我见过不少团队，上来就调算法，结果模型上线后一塌糊涂。为什么？因为连模型吃什么、拉什么都搞不清楚。

这一节，我们就从最基础的开始聊。把模型的输入输出、特征工程、评分卡和权重设计，掰开揉碎了讲清楚。

2.1 模型输入与输出：定义清楚边界

先问个问题：你的模型要解决什么问题？

是判断一个用户是不是机器人？还是评估一笔交易的风险等级？不同的目标，决定了不同的输入和输出。

2.1.1 输入：特征向量

模型的输入，通常是一个多维的特征向量。你可以把它想象成一张「用户画像表」，每一列都是一个维度的信息。

2.1.2 输出：信任分数

输出通常是一个数值，范围在 0 到 100 之间，或者 0 到 1 之间。分数越高，代表信任度越高。

举个例子：

• 0-30 分：高风险。直接拒绝或触发二次验证。
• 31-70 分：中风险。需要人工审核或限制权限。
• 71-100 分：低风险。正常放行，甚至可以享受 VIP 待遇。

嗯，这里要注意：分数只是一个参考，不能完全替代业务规则。我见过有人把 99 分的用户直接放行，结果那是个高级伪造账号。所以，分数要和业务策略结合使用。

2.2 特征工程简介：从原始数据到有效特征

特征工程，是模型构建中最耗时、也最体现功力的环节。你想想看，原始数据就像一堆未经雕琢的石头，特征工程就是要把它们打磨成有用的工具。

2.2.1 特征提取

从原始数据中提取有意义的特征。比如：

• 时间特征：从登录时间戳中提取「是否在凌晨登录」、「登录间隔是否异常」。
• 文本特征：从用户昵称中提取「是否包含特殊字符」、「长度是否异常」。
• 行为特征：从点击流中提取「页面停留时间」、「跳转路径的熵值」。

2.2.2 特征选择

不是所有特征都有用。我常用的方法有：

• 方差过滤：去掉方差接近 0 的特征，比如 99% 的用户都是同一个值。
• 相关性分析：去掉高度相关的特征，避免多重共线性。
• 基于模型的选择：用随机森林或 XGBoost 跑一遍，看特征重要性排序。

2.2.3 特征变换

有时候，原始特征需要变换才能更好地被模型利用。比如：

• 归一化：把不同量纲的特征缩放到同一范围，比如 0-1 之间。
• 对数变换：对长尾分布的特征取对数，使其更接近正态分布。
• 分箱：把连续特征离散化，比如把年龄分成「18-25」、「26-35」等区间。

2.3 评分卡与权重设计：把分数讲清楚

评分卡，是信任评分模型中最经典、最可解释的一种形式。它把每个特征对最终分数的贡献，用「分数」的形式展示出来。

2.3.1 评分卡的基本结构

一个典型的评分卡，包含以下几个部分：

• 基础分：所有用户共享的起始分数。
• 特征分：每个特征的不同取值，对应不同的加分或减分。
• 最终分：基础分加上所有特征分的总和。

举个例子：

如果一个用户注册了 2 年，历史订单完成率 90%，那么他的最终分就是：60 + 0 + 5 = 65 分。

2.3.2 权重设计：如何分配重要性

权重，决定了每个特征对最终分数的影响力。权重设计通常有两种思路：

• 专家经验法：由业务专家根据经验，手动设定每个特征的权重。优点是可解释性强，缺点是主观性强。
• 数据驱动法：通过逻辑回归、决策树等模型，自动学习特征的权重。优点是客观，缺点是可能学到噪声。

我个人习惯，是把两者结合起来。先用数据驱动法跑出一个初始权重，然后让业务专家根据经验微调。这样既保证了客观性，又保留了业务洞察。

2.3.3 权重设计的避坑指南

• 不要过度依赖单一特征：我曾经见过一个模型，90% 的权重都压在「设备指纹」上。结果设备指纹库一更新，模型直接崩了。
• 注意特征之间的交互：有些特征单独看没什么用，但组合起来效果惊人。比如「凌晨登录」+「异地 IP」+「新设备」，三个特征组合在一起，风险极高。
• 定期评估权重：权重不是一成不变的。随着业务发展，某些特征的重要性可能会下降，需要定期重新评估。

2.4 核心逻辑框架图

下面这张图，把信任评分模型的核心逻辑串起来了。从原始数据输入，到特征工程，再到评分卡打分，最后输出信任分数。你可以把它当作本章的知识地图。