4. 特征类型与分类：数值型特征、类别型特征、时序型特征、文本型特征、衍生特征

在催收模型开发中，特征工程是决定模型性能上限的关键环节。不同类型的特征具有不同的统计特性和信息密度，需要采用差异化的预处理、编码与筛选策略。本章系统梳理催收场景下最常见的五类特征，并给出对应的处理原则与风险提示。

4.1 特征类型总览

催收模型的特征来源可归纳为五大类，下表从定义、典型示例、常用处理方式三个维度进行对比：

4.2 数值型特征

数值型特征是催收模型最基础的特征类型，其分布形态直接影响线性模型与树模型的拟合效果。常见处理包括：

• 缺失值处理： 催收数据中金额、天数等字段常存在缺失，建议根据业务含义填充（如0、中位数或-1标记）。
• 异常值截断： 对极端大额欠款或超长逾期天数，采用分位数截断（如99%分位数）或业务阈值截断。
• 标准化/归一化： 对于逻辑回归、SVM等模型，建议使用Z-score标准化；树模型可跳过此步骤。
• 分箱处理： 将连续变量离散化，可增强模型鲁棒性并捕捉非线性关系，常用等距分箱、等频分箱或卡方分箱。

# 数值型特征处理示例（Python伪代码）
import pandas as pd
import numpy as np

# 异常值截断：逾期天数上限设为180天
df['overdue_days'] = df['overdue_days'].clip(upper=180)

# 对数变换：欠款金额右偏严重
df['log_amount'] = np.log1p(df['amount_owed'])

# 等频分箱：将还款次数分为5档
df['repay_count_bin'] = pd.qcut(df['repay_count'], q=5, labels=False)

4.3 类别型特征

类别型特征在催收数据中普遍存在，但高基数（high-cardinality）类别（如城市、催收员ID）容易引发维度灾难或过拟合。编码策略选择需权衡信息保留与模型复杂度：

4.4 时序型特征

催收行为具有明显的时间依赖性，时序型特征能捕捉债务人的行为趋势与周期性。常见构造方法包括：

• 滑动窗口统计： 近7天/30天/90天的通话次数、接通率、还款金额的均值、标准差、最大值、最小值。
• 差分特征： 当前值与上一期值的差值，反映变化趋势（如逾期天数增量）。
• 时间衰减权重： 近期行为赋予更高权重，使用指数加权移动平均（EWMA）。
• 周期性特征： 星期几、月初/月末、节假日标记等。

4.5 文本型特征

催收备注、通话录音转写文本中蕴含大量非结构化信息，如还款承诺、推诿借口、情绪状态等。文本特征提取需兼顾语义保留与维度控制：

• TF-IDF： 适用于短文本（如催收备注），提取关键词权重，维度通常控制在500-2000。
• 词嵌入（Word2Vec/Glove）： 将文本映射为固定维度向量，保留语义相似性，适合长文本。
• 预训练语言模型（BERT等）： 提取深层语义特征，但计算成本高，适合离线批量处理。
• 主题模型（LDA）： 将文本归入若干主题（如“还款意愿强”“恶意拖欠”），输出主题概率分布。

4.6 衍生特征

衍生特征是对原始特征的再加工，旨在暴露更深层的业务规律。催收模型中常见的衍生方式包括：

4.7 特征类型选择策略

在实际催收模型开发中，特征类型的选择需遵循以下原则：

1. 业务驱动优先： 优先选择与催收策略直接相关的特征（如逾期天数、历史还款行为），避免盲目堆砌。
2. 类型互补： 混合使用数值型、类别型、时序型和文本型特征，往往比单一类型特征提升5%-15%的区分度。
3. 维度控制： 类别型特征经独热编码后维度激增时，优先使用目标编码或频次编码；文本特征维度建议控制在500以内。
4. 时间一致性： 时序型特征和衍生特征必须确保训练集与测试集的时间窗口对齐，避免未来信息泄露。
5. 可解释性： 在监管合规要求下，优先选择业务含义清晰的特征，避免过于复杂的非线性衍生。