4. 坏样本的分布分析：类别不平衡、长尾分布、时间漂移、特征分布对比
坏样本的分布形态直接影响模型训练的有效性与最终收益。本章从四个核心维度展开分析：类别不平衡、长尾分布、时间漂移与特征分布对比。每个维度都对应特定的归因方法与处理策略。
4.1 类别不平衡：少数类样本的识别困境
在风控场景中，坏样本（如欺诈、逾期）通常远少于好样本。当坏样本占比低于 5% 时，模型容易偏向多数类，导致坏样本召回率极低。
| 不平衡程度 | 坏样本占比 | 典型影响 | 推荐处理方式 |
|---|---|---|---|
| 轻度 | 5% – 15% | 模型轻微偏向多数类 | 调整损失函数权重 |
| 中度 | 1% – 5% | 坏样本召回率显著下降 | 过采样（SMOTE）或欠采样 |
| 重度 | < 1% | 模型几乎无法学习坏样本模式 | 异常检测 + 集成学习 |
实操提示：不要仅依赖全局准确率评估模型。在重度不平衡场景下，应使用 Precision-Recall 曲线 和 F1-score 作为主要评估指标。
4.2 长尾分布：尾部样本的稀疏性挑战
坏样本往往集中在特征空间的尾部区域。例如，交易金额极高或极低的样本，其坏账率可能远高于中间区间。长尾分布导致模型在尾部区域缺乏训练数据，泛化能力差。
关键归因：长尾分布下的坏样本通常具有 高价值但高稀疏性 的特征。模型在尾部区域的预测方差大，容易产生极端错误。
处理长尾分布的常用策略：
- 分箱与离散化：将连续特征按分位数分箱，降低尾部稀疏性。
- 对数变换：对偏态分布的特征做 log 或 Box-Cox 变换，压缩尾部。
- 样本加权：根据特征密度对尾部样本赋予更高权重。
4.3 时间漂移：样本分布随时间的结构性变化
风控模型面临最严峻的挑战之一是时间漂移。坏样本的分布会随着宏观经济、政策调整、欺诈手法演变而发生变化。如果训练集与测试集的时间窗口差异过大，模型性能会急剧下降。
时间漂移的三种常见类型：
- 概念漂移：坏样本的定义或模式发生变化（例如，新的欺诈手法出现）。
- 数据漂移：特征本身的分布发生变化（例如，用户收入分布因经济周期改变）。
- 样本选择漂移：训练集与测试集的采样方式不同（例如，只选取了特定时间段的样本）。
风险警示：时间漂移是导致模型上线后快速失效的首要原因。建议在模型监控中设置 PSI（群体稳定性指标） 阈值，当 PSI > 0.25 时触发重新训练。
4.4 特征分布对比：坏样本与好样本的差异量化
通过对比坏样本与好样本在关键特征上的分布差异，可以快速定位导致模型失效的原因。常用的对比方法包括：
| 对比方法 | 适用场景 | 输出形式 | 阈值参考 |
|---|---|---|---|
| KS 检验 | 连续特征分布差异 | KS 统计量 + p 值 | KS > 0.1 视为显著差异 |
| PSI | 特征分布随时间变化 | 单一数值指标 | PSI < 0.1 稳定；0.1–0.25 需关注；> 0.25 异常 |
| 分位数对比图 | 可视化尾部差异 | Q-Q 图或分位数箱线图 | 尾部偏离超过 2 个标准差 |
| 特征重要性排序 | 识别对坏样本区分度最高的特征 | SHAP 值或 Gain 值列表 | Top 5 特征贡献度 > 60% |
4.5 综合归因策略：从分布到行动
完成上述四个维度的分析后，需要将结果整合为可执行的归因策略。以下是一个典型的归因决策流程：
- 检测类别不平衡：计算坏样本占比，若 < 5% 则启动重采样或加权策略。
- 识别长尾特征：对连续特征做分位数分析，标记尾部密度低于 1% 的特征。
- 量化时间漂移：按月计算 PSI，标记 PSI > 0.25 的时间段与特征。
- 执行特征对比：对坏样本与好样本做 KS 检验，输出差异显著的特征列表。
- 生成归因报告：将上述结果汇总为结构化报告，标注每个特征的漂移方向与影响程度。
收益评估关联：分布分析的结果直接决定模型优化的优先级。例如，若时间漂移是主要问题，则优先更新训练数据的时间窗口；若长尾分布是瓶颈，则优先做特征变换与样本加权。每项优化都应对应一个可量化的收益指标（如 AUC 提升 0.02 或坏样本召回率提升 5%）。