📚 课程目录第1章风控特征工程概述

1. 风控特征工程概述

在信贷、支付、交易等金融风控场景中，模型性能的天花板往往不取决于算法复杂度，而取决于特征工程的质量。原始数据（如用户基本信息、交易流水、设备指纹）无法直接用于模型训练，必须经过清洗、变换、聚合、交叉等操作，才能转化为对风险状态有区分能力的特征变量。

  核心观点：特征工程决定了模型能够“看到”什么，而模型算法决定了如何利用这些信息。在风控领域，特征工程的质量直接决定了模型区分好坏用户的能力，是风控系统效果提升的关键杠杆。

特征工程在风控中的具体价值体现在以下四个方面：

风控场景中的样本天然存在分布不均衡和群体异质性两大挑战。直接使用全量样本训练单一模型，往往会导致模型在少数群体上表现不佳，或对长尾风险缺乏识别能力。样本分层正是为了解决这一问题而引入的核心策略。

样本分层与模型训练的关系可以概括为：

实践建议：在风控项目中，建议先进行样本分层分析，再决定是否采用“一模型走天下”还是“分层建模”策略。通常，当各分层样本量均充足且风险模式差异显著时，分层建模的效果优于单一模型。

以下表格对比了不同分层策略对模型训练的影响：

分层策略	适用场景	对模型训练的影响	典型风险
不分层	样本同质性强，风险模式一致	训练简单，但可能忽略子群体差异	长尾客群识别能力弱
按客群分层	不同客群（如新客/老客）风险差异大	每个子模型更聚焦，但样本量可能不足	小样本分层过拟合
按产品分层	不同产品（如现金贷/分期）风控逻辑不同	特征工程可定制化，但维护成本高	产品间迁移学习困难
按时间分层	业务策略或外部环境随时间变化	捕捉时序漂移，但需频繁重训	模型稳定性挑战

本课程围绕“样本分层”与“模型训练”两条主线，系统讲解风控特征工程的完整流程。课程共分为五个模块，结构如下：

为帮助学员快速建立知识地图，下表汇总了本课程各章节的核心知识点：

本课程适合具备一定机器学习基础的风控算法工程师、数据分析师及风控策略人员。通过本课程的学习，你将获得：

学习提醒：特征工程是一门实践性极强的学科。建议学员在学习过程中，同步使用自己的数据集进行练习，将课程中的方法论转化为自己的特征工程工具箱。只有动手实践，才能真正掌握特征工程的精髓。