📚 课程目录第2章样本偏差基础概念

2、样本偏差基础概念：偏差的定义、常见偏差类型及其在金融场景中的表现

在金融知识图谱的构建与特征工程中，样本偏差是导致模型失效、风控策略失准的核心诱因之一。偏差并非随机噪声，而是系统性的、非随机的数据失真，它使得训练样本无法真实反映目标总体的分布规律。本节将明确定义偏差，并深入剖析金融场景中最常见的三种偏差类型。

偏差（Bias）在统计学与机器学习中，指模型预测值的期望与真实值之间的系统性差异。在样本层面，偏差表现为样本分布与总体分布之间的系统性偏离。这种偏离会导致模型在训练集上表现良好，但在真实业务环境中泛化能力急剧下降。

  核心公式（概念性）：

  Bias = E[ŷ] - y

  其中 E[ŷ] 为模型预测的期望值，y 为真实值。当 Bias ≠ 0 时，模型存在系统性误差。

在金融风控中，偏差的后果往往是灾难性的：高估用户还款能力导致坏账激增，低估欺诈风险导致资金损失，或错误评估市场流动性引发系统性风险。

金融知识图谱的样本偏差主要源于数据采集、标注、筛选及时间维度上的系统性扭曲。以下三种偏差类型在金融场景中最为常见且破坏力最强。

偏差类型	定义	金融场景典型表现	对知识图谱的影响
选择偏差	样本选取过程非随机，导致样本不能代表总体	仅使用有信贷记录的用户建模，忽略“信用白户”	图谱节点缺失，关系稀疏，模型对长尾用户失效
幸存者偏差	只关注“幸存”或“通过”的样本，忽略已淘汰的样本	仅分析当前存续的基金产品，忽略已清盘基金	高估资产表现，低估风险，图谱中“死亡”节点被系统性删除
标签偏差	标签定义、采集或标注过程存在系统性错误	将“逾期1天”与“逾期90天”均标记为“坏客户”	图谱中节点属性失真，关系推理逻辑错误

选择偏差是金融风控中最普遍的偏差类型。当样本的选取过程与目标变量存在关联时，就会产生选择偏差。

风控警示：选择偏差会导致模型在“已知用户”上表现优异，但对“未知用户”完全失效。在构建金融知识图谱时，必须明确样本的“选择域”，并通过逆概率加权（IPW）或倾向性得分匹配（PSM）进行校正。

幸存者偏差在金融领域尤为隐蔽且危险。它源于只关注“存活下来”的实体，而忽略了已经“死亡”或“退出”的实体。

图谱构建提示：在金融知识图谱中，幸存者偏差会导致“死亡节点”被系统性删除。正确的做法是保留所有历史节点，并添加“状态”属性（存活/清盘/破产/注销），确保图谱包含完整的生命周期信息。

标签偏差是监督学习中最致命的偏差之一。在金融知识图谱中，标签通常对应“好客户/坏客户”、“欺诈/正常”、“违约/履约”等关键属性。标签定义或标注的错误会直接污染整个图谱的推理逻辑。

  金融场景案例：

  某银行将“逾期超过30天”定义为坏客户，但数据采集时误将“逾期超过3天”也标记为坏客户。导致知识图谱中大量正常用户被错误归类为高风险，模型误判率飙升，大量优质客户被拒贷。

在金融知识图谱中，偏差具有传播与放大效应。一个节点的偏差会通过关系边传播到相邻节点，导致整个子图的结构和属性失真。

因此，在构建金融知识图谱样本偏差校验体系时，必须从数据采集、标签定义、样本筛选、时间窗口四个维度进行系统性检查，确保图谱的节点、边和属性能够真实反映金融世界的客观规律。