4. 常见切分策略概览

在实时风控场景中，训练集的切分方式直接影响模型对时间动态、样本分布和冷启动问题的适应能力。不同的切分策略适用于不同的业务阶段和数据特征。本节将系统介绍四种最常用的切分策略：随机切分、按时间切分、分层切分和滑动窗口切分，并对比其适用场景与风险。

4.1 四种策略核心对比

4.2 策略详解与适用边界

4.2.1 随机切分

随机切分是最基础的切分方式，通常使用 train_test_split 函数实现。它假设样本之间独立同分布，但在风控场景中，这一假设几乎不成立——欺诈模式会随时间演化。

# 随机切分示例（仅用于离线特征验证）
from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    features, labels, test_size=0.2, random_state=42
)

4.2.2 按时间切分

按时间切分以时间戳为硬边界，通常将较早的数据作为训练集，较新的数据作为验证/测试集。这是实时风控最推荐的切分方式。

# 按时间切分示例
import pandas as pd

df = df.sort_values('timestamp')
split_date = '2024-06-01'
train = df[df['timestamp'] < split_date]
test  = df[df['timestamp'] >= split_date]

关键参数：时间边界选择——通常保留最近 20%-30% 的数据作为测试集，且测试集应覆盖至少一个完整的业务周期（如一周或一个月）。

4.2.3 分层切分

分层切分保证训练集、验证集、测试集中各类别（如欺诈/正常）的比例与原始数据集一致。在风控场景中，欺诈样本通常占比极低（<1%），分层切分能防止验证集出现“零欺诈”的情况。

# 分层切分示例（保持标签分布一致）
from sklearn.model_selection import StratifiedKFold

skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)
for train_idx, val_idx in skf.split(X, y):
    X_train, X_val = X[train_idx], X[val_idx]
    y_train, y_val = y[train_idx], y[val_idx]

4.2.4 滑动窗口切分

滑动窗口切分通过固定大小的窗口在时间轴上滚动，生成多个训练/验证对。它特别适合在线学习和概念漂移检测场景。

# 滑动窗口切分示例（伪代码）
window_size = 30  # 天
step_size   = 7   # 天

for start in range(0, total_days - window_size, step_size):
    train_start = start
    train_end   = start + window_size
    val_start   = train_end
    val_end     = min(train_end + step_size, total_days)
    
    train = df[(df['day'] >= train_start) & (df['day'] < train_end)]
    val   = df[(df['day'] >= val_start)   & (df['day'] < val_end)]

滑动窗口的两个核心超参数：

• 窗口大小：决定训练数据量，通常覆盖 1-3 个完整业务周期。
• 步长：决定模型更新频率，步长越小，模型对最新模式响应越快，但计算成本越高。

4.3 策略选择决策流程

下图展示了在实时风控项目中如何根据业务阶段和数据特征选择切分策略：

4.4 策略组合实战模式

在实际风控项目中，单一策略往往无法满足所有需求。以下是三种常见的组合模式：

• 时间+分层组合：先按时间划分大区间（如按月），再在每个区间内进行分层采样，保证每个时间窗口内的类别分布一致。
• 滑动窗口+分层组合：在每个滑动窗口内，对训练集进行分层采样，防止窗口内欺诈样本缺失。
• 时间+随机组合：在按时间划分的测试集内，随机抽取部分样本进行人工标注验证，用于评估标注一致性。