3、标签口径的概念
3.1 什么是标签口径
标签口径（Label Definition / Label Caliber）是指生成标签时所依据的明确、可复现的规则集合。它定义了“什么样的样本、在什么时间、基于什么数据、按照什么逻辑被标记为某一类别或数值”。在特征工程中，标签口径是模型训练数据质量的基石——口径不一致会导致标签噪声、分布偏移，最终使模型失效。
核心观点：标签口径 = 时间窗口 + 业务规则 + 数据源。三者缺一不可，任何一项变化都会产生新的口径版本。
3.2 口径的构成要素
一个完整的标签口径由以下三个要素组成，它们共同决定了标签的语义和边界：
| 构成要素 | 定义 | 示例（信贷逾期标签） |
|---|---|---|
| 时间窗口 | 标签观测的起止时间范围，包括观察点、表现期、回溯期 | 观察点：放款后第30天；表现期：观察点后90天 |
| 业务规则 | 判定样本属于某类别的具体逻辑、阈值、条件组合 | 逾期天数 ≥ 30天 且 未结清 定义为“坏样本” |
| 数据源 | 生成标签所依赖的原始数据表、字段、ETL链路 | 还款流水表（repay_flow）、借据表（iou_info） |
实践建议：在特征工程文档中，每个标签都应附带一个“口径三要素清单”，便于后续校准和回溯。
3.3 口径不一致的常见场景
在实际项目中，口径不一致是标签噪声的主要来源。以下列出四种高频场景，并给出典型表现：
- 时间窗口漂移：同一业务规则，但观察点或表现期长度在不同版本间发生变化。例如，V1版本用“放款后30天观察+90天表现”，V2版本改为“放款后60天观察+60天表现”。
- 业务规则歧义：规则描述模糊，不同工程师理解不同。例如，“连续逾期”的定义是“连续3期”还是“累计3期”？是否包含当前期？
- 数据源变更：底层表结构迁移、字段名修改、ETL逻辑调整，导致同一规则在不同时间点产出的标签不一致。
- 多团队并行定义：风控、运营、产品团队各自定义“高价值用户”，规则不同但标签名相同，造成特征与标签错配。
3.4 口径不一致的典型后果
口径不一致并非理论问题，而是会直接传导至模型效果。下表总结了不同场景下的量化影响：
| 不一致类型 | 典型后果 | 严重程度 |
|---|---|---|
| 时间窗口漂移 | 正负样本比例突变，模型训练集与线上分布不匹配 | 高 |
| 业务规则歧义 | 标签随机噪声增加，特征与标签相关性被稀释 | 高 |
| 数据源变更 | 部分样本标签缺失或错误，样本量减少且偏差引入 | 中-高 |
| 多团队并行定义 | 特征工程与标签语义错配，模型学习到错误模式 | 极高 |
避坑提醒：不要等到模型上线后才发现口径不一致。在特征工程阶段，应建立“标签口径版本管理表”，每次迭代都记录三要素的变化，并做交叉验证。
3.5 本节小结
- 标签口径是标签生成规则的完整描述，由时间窗口、业务规则、数据源三要素构成。
- 口径不一致的四大常见场景：时间窗口漂移、业务规则歧义、数据源变更、多团队并行定义。
- 口径不一致会直接导致标签噪声、分布偏移和模型失效，必须在特征工程早期建立校准机制。