3. 样本分层理论基础：分层抽样原理、风控中的分层目标

在风控建模中，样本并非均匀分布。好坏样本比例悬殊、不同时间窗口的客群行为差异显著、不同客群的风险模式各不相同。若直接使用原始样本训练模型，模型会偏向多数类，且无法捕捉时间与客群的异质性。样本分层正是为了解决这些问题而引入的核心预处理技术。

3.1 分层抽样原理

分层抽样（Stratified Sampling）是一种概率抽样方法。其核心思想是：先将总体按某个或某几个特征划分为互不重叠的层（Stratum），然后从每一层中独立抽取样本，最终合并为总样本。

与简单随机抽样相比，分层抽样具有以下优势：

3.2 风控中的三大分层目标

在风控特征工程中，分层不是为抽样而抽样，而是为了在后续建模中控制偏差、提升泛化能力。以下三个分层目标是风控场景中最核心的维度：

3.2.1 好坏样本分层

风控数据天然存在严重的类别不平衡。好样本（正常还款）通常占 95% 以上，坏样本（逾期/违约）往往不足 5%。若不进行分层：

• 模型会倾向于将所有样本预测为“好”，获得高准确率但无实际风控价值。
• 模型无法学习到坏样本的边界特征，导致召回率极低。

分层策略：在训练集和验证集中，按好坏标签分别进行分层抽样，确保每一批数据中好坏比例保持一致（如 3:7 或 2:8）。

3.2.2 时间窗口分层

风控模型面临的最大挑战之一是概念漂移。用户的还款能力、欺诈手段、宏观经济环境都会随时间变化。若将不同时间段的样本混在一起训练，模型会学到过时的模式。

分层策略：按时间窗口（如按月、按季度）将样本划分为不同层。常见做法包括：

• 时间序列交叉验证：以时间顺序划分训练集和测试集，保证测试集时间在训练集之后。
• 时间分层采样：在训练集内部，按时间窗口分层，确保每个 batch 都包含不同时间段的样本。
• 衰减权重：对较旧的时间窗口样本赋予较低的权重，让模型更关注近期行为。

3.2.3 客群分层

不同客群的风险模式差异巨大。例如：

• 新客 vs 老客：新客缺乏历史行为数据，老客有完整的还款记录。
• 不同产品线：现金贷、消费分期、抵押贷的风险特征完全不同。
• 不同渠道：线上申请 vs 线下推广，欺诈率差异显著。

分层策略：将客群按业务属性划分为多个子群，分别训练模型或共享底层特征但使用不同的分类头。

3.3 分层在模型训练中的实际应用

在风控模型训练流程中，分层通常发生在以下两个阶段：

1. 数据划分阶段：在将数据集拆分为训练集、验证集、测试集时，按好坏标签进行分层，确保三个集合中的好坏比例一致。
2. 训练批次生成阶段：在训练过程中，按时间窗口和客群分层生成 mini-batch，避免模型在某个 batch 中只看到单一时间段的样本。

from sklearn.model_selection import train_test_split

# 假设 X 为特征矩阵，y 为标签（0:好样本，1:坏样本）
X_train, X_test, y_train, y_test = train_test_split(
    X, y,
    test_size=0.2,
    stratify=y,          # 按标签分层
    random_state=42
)

# 验证分层效果
print("训练集好坏比例:", y_train.mean())
print("测试集好坏比例:", y_test.mean())

3.4 分层策略的选择矩阵

在实际项目中，并非所有场景都需要同时使用三个分层维度。以下矩阵帮助决策：