4. 特征工程基础：特征构建原则、常用特征类型与编码方法
在保险精算坏样本归因分析中，原始数据通常无法直接输入模型。特征工程是将原始数据转化为模型可理解、可学习的高质量特征的过程。本章聚焦于特征构建的核心原则、三大常用特征类型（数值型、类别型、时间型）及其编码方法，为后续构建归因样本奠定基础。
核心观点：特征工程的质量直接决定坏样本归因模型的上限。好的特征应具备可解释性、区分度与稳定性，避免信息泄露与过拟合。
4.1 特征构建原则
特征构建并非盲目堆砌变量，而是遵循一套系统化的原则，确保特征有效且可靠。
| 原则 | 说明 | 保险精算场景示例 |
|---|---|---|
| 可解释性 | 特征含义清晰，业务人员能理解其与坏样本的关系 | “近3个月理赔次数”优于“理赔频率的傅里叶变换系数” |
| 区分度 | 特征在好坏样本间分布有明显差异 | “出险后报案延迟天数”在欺诈与正常理赔中差异显著 |
| 稳定性 | 特征分布随时间、渠道、区域等变化较小 | “年龄”比“当日网络搜索热度”更稳定 |
| 时效性 | 特征反映最新状态，避免使用过时信息 | 使用“最近12个月累计保额”而非“保单生效时保额” |
| 无信息泄露 | 特征构建时不能使用未来信息或目标变量 | 不能用“理赔是否结案”预测“是否发生理赔” |
实战提示：在坏样本归因场景中，优先构建与理赔行为、保单变更、缴费记录相关的特征，这些维度通常包含最强的归因信号。
4.2 常用特征类型
保险数据中的特征可归纳为三种基本类型，每种类型需要不同的处理策略。
4.2.1 数值型特征
包括连续值（如保额、年龄、保费）和离散值（如理赔次数、家庭成员数）。
- 常见问题：量纲差异大、存在长尾分布、异常值敏感。
- 处理方向：标准化/归一化、对数变换、分箱、截尾处理。
4.2.2 类别型特征
包括无序类别（如性别、险种、渠道）和有序类别（如学历、风险等级）。
- 常见问题：基数高（如地区代码）、类别不平衡、缺失值作为独立类别。
- 处理方向：编码方式选择、低频类别合并、嵌入表示。
4.2.3 时间型特征
包括时间点（如投保日期、出险日期）和时间段（如保险期间、理赔处理时长）。
- 常见问题：周期性（年/月/周）、趋势性、节假日效应。
- 处理方向：提取时间分量、计算时间差、滑动窗口统计。
4.3 特征编码方法
不同特征类型对应不同的编码策略。错误的编码方式会引入噪声或破坏数据结构。
4.3.1 数值型特征编码
| 方法 | 适用场景 | 保险精算示例 |
|---|---|---|
| 标准化 (Z-score) | 特征服从近似正态分布，模型对尺度敏感（如SVM、逻辑回归） | 对“年龄”进行标准化 |
| Min-Max归一化 | 特征有明确边界，需要映射到[0,1]区间 | 对“理赔金额”进行归一化 |
| 对数变换 | 特征呈长尾分布，压缩极端值影响 | 对“累计保费”取log(1+x) |
| 分箱 (Binning) | 特征与目标存在非线性关系，或需要离散化处理 | 将“年龄”分为[18-25, 26-35, 36-45, 46-60, 60+] |
| 截尾 (Winsorization) | 存在明显异常值，需要限制极端值影响 | 将“理赔次数”超过99%分位数的值替换为该分位数 |
4.3.2 类别型特征编码
| 方法 | 说明 | 优点 | 缺点 |
|---|---|---|---|
| 独热编码 | 每个类别生成一个0/1二元特征 | 无顺序假设，适合线性模型 | 高基数时特征维度爆炸 |
| 标签编码 | 将类别映射为整数（0,1,2,...） | 节省内存，适合树模型 | 引入虚假顺序关系 |
| 目标编码 | 用目标变量均值替换类别 | 捕捉类别与目标的关系 | 易过拟合，需交叉验证 |
| 频率编码 | 用类别出现频率替换 | 简单，反映类别流行度 | 丢失类别语义信息 |
| 嵌入编码 | 通过神经网络学习低维稠密向量 | 高基数场景效果好 | 计算成本高，可解释性弱 |
避坑指南：在坏样本归因场景中，目标编码需谨慎使用。若直接使用全量数据计算目标均值，会导致严重的信息泄露。建议在训练集内使用K折交叉验证计算编码值，或使用留一法编码。
4.3.3 时间型特征编码
时间型特征不能直接作为数值输入，需要提取有意义的派生特征。
- 时间分量提取：年、月、日、星期几、小时、是否周末、是否节假日。
- 时间差计算：距当前时间差、距上次理赔时间差、保单生效时长。
- 滑动窗口统计：过去N天/月内的理赔次数、累计金额、平均间隔。
- 周期性编码：使用正弦/余弦变换表示周期性（如月份、星期）。
4.4 特征编码实战建议
精算场景编码优先级：
- 数值型：优先对数变换处理长尾分布（如保费、理赔金额），再根据模型选择标准化或分箱。
- 类别型：低基数（<10）用独热编码；高基数（>50）用目标编码（需交叉验证）或频率编码；树模型可直接用标签编码。
- 时间型：必须提取时间差和滑动窗口统计，这两个特征在坏样本归因中区分度最高。
特征编码完成后，建议进行特征重要性排序和相关性分析，剔除冗余或噪声特征，为后续建模提供干净、高效的特征空间。