4、特征编码技术：Label Encoding、One-Hot Encoding、Target Encoding 在催收特征中的应用

催收模型的特征工程中，原始数据往往包含大量非数值型字段，例如：客户职业、逾期原因代码、催收员等级、城市等级、联系人关系。这些类别特征无法直接输入逻辑回归、XGBoost 或神经网络，必须通过编码技术转换为数值向量。不同的编码方式对催收特征的区分度、稳定性和可解释性有显著影响。

4.1 三种编码技术的核心原理与催收场景适配

4.2 Label Encoding：保留催收阶段的序关系

催收业务中存在大量有序类别，例如：催收阶段（首催 < 二催 < 三催 < 法务催收）、逾期天数区间（M1 < M2 < M3）、客户风险等级（低 < 中 < 高）。Label Encoding 将这些有序类别映射为递增整数，使模型能够捕捉到单调性趋势。

# 催收阶段 Label Encoding 示例
import pandas as pd
from sklearn.preprocessing import LabelEncoder

collection_stage = ['首催', '二催', '三催', '法务催收']
le = LabelEncoder()
stage_encoded = le.fit_transform(collection_stage)
# 输出: [0, 1, 2, 3] 对应首催→法务催收

4.3 One-Hot Encoding：处理催收原因等无序低基特征

催收数据中的逾期原因代码、联系人关系、还款渠道等特征属于无序类别，且基数通常较低（一般 < 20 个类别）。One-Hot Encoding 为每个类别生成独立的 0/1 特征，避免引入虚假的序关系。

# 逾期原因 One-Hot Encoding 示例
import pandas as pd

reason_data = pd.DataFrame({'逾期原因': ['失业', '疾病', '遗忘', '资金周转', '失业']})
reason_encoded = pd.get_dummies(reason_data, columns=['逾期原因'], prefix='原因')
# 生成列：原因_失业、原因_疾病、原因_遗忘、原因_资金周转

催收场景注意事项：

• 稀疏性问题： 当类别基数超过 20-30 时，One-Hot 会生成大量稀疏列，增加模型训练负担并降低特征重要性评估的稳定性。
• 高频类别截断： 对于出现频次极低的类别（如罕见逾期原因），建议合并为“其他”类别后再编码，避免过拟合。
• 与树模型的兼容性： XGBoost、LightGBM 等树模型对 One-Hot 特征的处理效率较高，但逻辑回归需要配合正则化。

4.4 Target Encoding：高基数催收特征的压缩利器

催收数据中经常出现高基数类别特征，例如：城市代码（数百个城市）、催收员ID（数十到数百人）、客户来源渠道（几十个渠道）。One-Hot Encoding 会导致特征维度爆炸，而 Target Encoding 通过用目标变量（如还款率、回收率）的统计量替换原始类别，将高基数特征压缩为单个数值特征。

4.4.1 编码公式与平滑处理

标准 Target Encoding 公式：

编码值 = (类别内正样本数 + 全局均值 × 平滑参数) / (类别内总样本数 + 平滑参数)

其中平滑参数（通常取 10-100）用于防止小样本类别的极端值。在催收场景中，目标变量通常为是否还款（1/0）或回收率（0-1）。

# Target Encoding 催收城市特征示例
import pandas as pd
from category_encoders import TargetEncoder

# 假设催收数据：城市代码 + 是否还款
data = pd.DataFrame({
    '城市': ['北京', '上海', '广州', '北京', '上海', '北京', '深圳'],
    '是否还款': [1, 0, 1, 1, 0, 0, 1]
})

encoder = TargetEncoder(cols=['城市'], smoothing=20)
data_encoded = encoder.fit_transform(data['城市'], data['是否还款'])
# 输出：每个城市被替换为基于还款率的平滑统计值

4.4.2 过拟合风险与交叉验证策略

催收场景下的标准做法：

1. K-Fold 交叉编码： 在每一折中，仅使用其他折的数据计算编码值，当前折的样本使用该统计量。
2. 加入噪声： 对编码后的值添加少量高斯噪声（如标准差 0.01-0.05），增加鲁棒性。
3. 时间序列拆分： 对于催收数据，按时间划分训练集/测试集，编码统计量仅基于历史数据计算。

4.5 三种编码技术在催收特征中的对比总结