信用评分模型概述与训练数据的重要性

做信用评分模型这些年，我最大的体会就一句话——模型是皮，数据是骨。算法再花哨，数据一塌糊涂，出来的分数就是废纸一张。今天咱们先聊聊基础，也聊聊为什么我敢说“训练数据准备”才是整个评分项目的命门。

我理解的信用评分模型

说白了，信用评分模型就是一把尺子。银行、消费金融公司用这把尺子量一下申请人，看他还钱的可能性有多大。分数越高，违约概率越低。听起来简单，但背后的逻辑其实挺深的。

一个典型的评分模型，输入是用户的各种信息——年龄、收入、负债、征信记录、历史还款行为……输出是一串数字，比如300到850分。这中间发生了什么？模型在学习“什么样的人容易违约”。

嗯，注意这里有个关键点：模型自己不会思考。它全靠你喂给它的数据来“猜”规律。数据里有什么，它就学什么。数据里有偏见，它也跟着学偏见。我在一家互金公司就见过真实案例——因为训练数据里女性用户比例极低，模型直接给了女性群体更低的分数，后来被监管约谈。这锅，算法背不动，数据才是根源。

训练数据——模型的“燃料”

你想想看，一架飞机加错了油，飞行员技术再好也飞不起来。模型也一样。我习惯把训练数据比作燃料，模型就是发动机。燃料杂质越多，发动机报废得越快。

信用评分领域对数据的要求尤其苛刻。为什么？因为评分结果直接影响人家能不能贷到款、利率是多少。这背后是钱，甚至是用户的生活。模型错了，可能让一个本不该被拒绝的人背上一生征信污点。

一个好的训练数据集，至少得满足四样：

• 样本够大——我见过很多项目用几千条样本就上模型，结果上线后跟抽风一样。信用模型通常需要10万+样本，尤其是坏样本（违约客户）至少500个以上才能稳定。
• 正负样本均衡——信用场景坏样本通常很少（比如2%~5%）。直接训练，模型会变成“全好人”机器。我曾经试过欠采样+集成，效果才勉强能看。
• 特征真实可回溯——你用了“近3个月查询次数”，那得保证数据源能追溯，不然监管问起来你解释不清。
• 时间窗口对齐——观察期和表现期必须明确。我用过一批样本，表现期只设了3个月，结果后来发现很多客户在6个月后才逾期… 那批模型直接重做。

现实中的坑

讲个真事。某年我做一款现金贷评分卡，合作方给了一份“完美”的样本——样本量50万，坏账率5%，特征40多个。我心里一乐，觉得这波稳了。结果模型上线后AUC只有0.62，跟瞎猜差不多。

排查了两周才发现：训练数据里的“收入”字段，合作方用了一种特殊的插补方式——把所有低收入用户默认填了当地平均工资。模型学了什么呢？它学的是“低收入人群看起来收入也不错”，于是给这些用户打了高分。贷出去的款，后面全逾期了。

所以你看，数据准备阶段哪怕一个看似无害的“缺失值填充”操作，都可能导致模型整个跑偏。避坑指南：永远假设数据有雷，然后逐个字段去做交叉验证。

# 一个简单的数据质量检查脚本，我个人习惯放在项目入口
import pandas as pd

df = pd.read_csv('raw_data.csv')

# 字段完整性
null_ratio = df.isnull().mean()
print('字段缺失率：', null_ratio[null_ratio > 0.1])

# 分布合理性（比如收入不可能是负数）
for col in ['income', 'loan_amount']:
    abnormal = df[df[col] < 0]
    if len(abnormal):
        print(f'{col} 存在负值 {len(abnormal)} 条')

这段代码看起来很基础，但我就靠它抓出过好几次数据源跑偏的问题。别觉得简单不屑于写，刚入行那会我也觉得这种检查太初级，后来吃过亏才老实了。

上面这张图是我整理出来的标准流程。你仔细看，数据清洗占了整个链路的前端，而且有个反馈回路——模型上线后出问题了，别急着改模型，先回来看数据。这个原则我反复讲给团队听，但总有人犯懒，结果绕了一大圈才发现是数据源变了。

简单总结一下第一章的核心：训练数据准备不是“脏活累活”，而是信用评分模型最核心的竞争力。后面29章，我们会一步步拆解怎么做好这件事。先把这个认知焊死在脑子里，后面的操作才有意义。