4. 特征筛选基础：特征工程概述、特征质量评估维度、稳定性与预测力的权衡
在催收触达模型中，特征（Feature）是模型预测能力的基石。原始数据往往包含大量冗余、噪声或与目标弱相关的变量，直接建模会导致过拟合、泛化能力差以及线上效果衰减。特征筛选的目标是：在保证模型稳定性的前提下，最大化预测力，同时降低计算与存储成本。
4.1 特征工程概述
特征工程是将原始数据转化为模型可用特征的过程，通常包含以下四个核心环节：
| 环节 | 核心任务 | 催收场景示例 |
|---|---|---|
| 特征构建 | 从原始字段衍生新变量 | 近7天催收通话时长总和、历史还款间隔标准差 |
| 特征编码 | 将非数值型数据转为数值 | 催收员等级（A/B/C → 1/2/3）、逾期原因（文本→TF-IDF向量） |
| 特征变换 | 调整分布或尺度 | 对欠款金额做log变换、对通话次数做标准化 |
| 特征筛选 | 剔除无效或冗余特征 | 基于PSI、IV、相关系数、空值率等指标过滤 |
实践要点：特征工程不是一次性工作。在催收场景中，随着客群结构、催收策略或外部环境变化，特征的有效性会动态迁移，因此需要建立定期重筛机制。
4.2 特征质量评估维度
评估一个特征是否“好用”，需要从以下四个维度综合判断：
- 覆盖度（Coverage）：特征在样本中的非空比例。空值率过高（如>90%）的特征通常信息量不足，容易引入偏差。
- 区分度（Discrimination）：特征能否有效区分“好/坏”样本。常用指标包括IV（Information Value）、卡方检验、信息增益等。
- 稳定性（Stability）：特征分布在不同时间窗口或客群间的波动程度。PSI（Population Stability Index）是催收场景中最常用的稳定性指标。
- 相关性（Correlation）：特征与目标变量及其他特征之间的关联强度。高相关性特征会导致多重共线性，影响模型可解释性。
催收场景特别关注：稳定性往往比区分度更重要。一个区分度很高但分布剧烈波动的特征，在线上部署后可能迅速失效，导致模型评分偏移，引发策略误判。
4.3 稳定性与预测力的权衡
特征筛选的核心矛盾在于：高预测力的特征往往稳定性较差，而高稳定性的特征可能区分度不足。例如，基于“最近3天催收通话次数”构建的特征，对短期还款意愿有很强的预测力，但一旦催收策略调整（如增加外呼频次），该特征分布会立刻偏移，导致PSI飙升。
以下SVG图展示了特征筛选中的权衡逻辑与决策路径：
4.4 权衡策略：分层筛选法
在实际催收建模中，推荐采用分层筛选法来平衡稳定性与预测力：
- 第一层：稳定性过滤。计算每个特征在训练集与测试集（或不同时间窗口）之间的PSI，剔除PSI > 0.25的特征（剧烈不稳定）。
- 第二层：预测力过滤。在剩余特征中，计算IV或信息增益，剔除IV < 0.01的弱预测特征。
- 第三层：相关性去重。对剩余特征做相关性分析，当两两相关系数 > 0.8时，保留PSI更小或IV更大的特征。
- 第四层：业务规则保留。将逾期天数、欠款金额等业务强相关特征强制加入最终特征集，即使其统计指标不理想。
常见陷阱：不要仅依赖单一指标做决策。例如，一个特征IV=0.05（中等预测力）但PSI=0.08（稳定），另一个特征IV=0.15（强预测力）但PSI=0.22（不稳定），在催收场景中应优先选择前者，因为模型上线后的稳定性直接关系到策略的可靠性。
4.5 特征筛选清单
以下表格总结了特征筛选各维度的常用指标与阈值参考：
| 评估维度 | 常用指标 | 催收场景推荐阈值 | 说明 |
|---|---|---|---|
| 覆盖度 | 空值率 | < 50% | 空值率过高时考虑填充或剔除 |
| 区分度 | IV | ≥ 0.02 | IV<0.01视为无预测力，0.02~0.1为弱，0.1~0.3为中等 |
| 稳定性 | PSI | ≤ 0.1（优秀） 0.1~0.25（可接受） >0.25（剔除） |
PSI计算需选择合适的时间窗口 |
| 相关性 | Pearson / Spearman | < 0.8 | 高相关特征保留稳定性更优者 |
通过上述分层筛选与权衡策略，可以构建出既具备预测能力又能在线上稳定运行的特征集，为后续的PSI监控与模型迭代打下坚实基础。