1. 特征工程概述：概念、目的与信用评分应用

什么是特征工程？

说白了，就是把原始数据「翻译」成模型能听懂的语言。原始数据可能是客户填的收入金额、征信报告里的逾期记录、甚至是手机 APP 上的行为日志。这些数据又脏又乱——有空值、有异常、有单位不统一、有类别太多。特征工程就是一套方法论，帮你把这些原材料加工成干净、有意义、数值合理的特征变量。

我个人的习惯是把它拆成四个步骤：

• 清洗 — 处理缺失、异常、重复
• 变换 — 归一化、对数、分箱、独热
• 构造 — 基于业务逻辑合成新特征（比如收入负债比）
• 选择 — 从几十个特征里挑出最有效的那些

你想想看，如果跳过这些直接建模，模型就像用带沙子的润滑油 — 跑起来倒是快，但迟早要出问题。

为什么需要特征工程？

信用评分这个场景尤其敏感。我记得刚入行的时候，师傅跟我说：「模型不准，最多亏钱；特征不对，可能违规。」

特征工程的目的，我总结成三个层次：

层次	目标	在信用评分中的具体体现
1. 数据可用性	让缺失、异常不干扰模型	比如年收入字段空了 20%，不能直接删，也不能随便填 0，得分析缺失模式
2. 区分能力	放大好客户与坏客户之间的差异	收入绝对值区分度弱，但「收入/当地平均收入」的比值往往更有效
3. 模型稳定性	让特征在不同时期表现一致	有些特征在样本外季节波动大，必须做时序对齐

特征工程在信用评分中的关键角色

信用评分本质上是个分类问题：预测客户在未来一段时间内是否会违约。但你拿到手的原始数据，往往离这个目标很远。举个例子：

• 「年龄」是个连续字段，但模型通常更喜欢分段——20~25 岁的违约率通常高于 35~45 岁，分箱能直接捕捉这个非线性关系。
• 「历史逾期天数」是个数字，但「逾期天数方差」可能更重要——稳定小逾期 vs 突然大逾期，背后的人的行为模式完全不同。
• 「查询征信次数」本身有意义，但除以「总授信额度」得到「查询密度」，才是风控专家真正关心的指标。

这些业务判断，模型自己学不出来。特征工程就是你作为分析师和工程师，把业务知识「喂」给模型的手段。

信用评分特征工程的典型流程

下面这张图是我自己在项目里用的标准流程，每次开新模型都照着走一遍：

避坑：信用评分特征工程的三个常见误区

• 误区一：特征越多越好 — 不是的。冗余特征不仅增加计算成本，还会让模型变「胖」、泛化能力变差。我一般用 LASSO 或者前向搜索控制特征数在 20~40 之间。
• 误区二：分箱越多越精细 — 我曾经把一个年龄特征分了 15 个箱，结果在验证集上频率都是个位数，KS 反而跌了。信用评分讲究稳定，每个箱至少要覆盖 5% 的样本。
• 误区三：忽视时间变量 — 征信数据里「最近一次信贷行为距今月数」比「历史总逾期次数」更有价值。为什么？时间越近的行为信息量越大。我有个血的教训：早期模型用「近 12 个月逾期次数」替代了「历史总逾期次数」，KS 提升了 0.05，坏账率下降 2%。

小结

特征工程，说白了就是帮信用评分模型「看到」业务真相。它的目的不是炫技，而是让模型学到稳定、可解释、符合监管要求的规律。我自己的项目经验告诉我：80% 的模型效果提升来自特征工程，而不是算法调参。所以从这个课程一开始，我们就得把地基打扎实。