📚 课程目录第1章分箱基础概念

1、分箱基础概念

什么是变量分箱

变量分箱（Binning）是将连续变量离散化或将类别变量合并为有限个区段（箱）的数据预处理技术。在信用评分与风控模型中，原始变量通常包含大量噪声或稀疏分布，直接建模会导致模型不稳定、过拟合或业务解释性差。分箱通过将原始值映射到少数几个区间，使变量从“连续值”或“细粒度类别”转化为“有序的离散箱”，从而提升模型的鲁棒性与可解释性。

  核心定义： 分箱 = 将原始变量值域划分为 k 个互不相交的区间（箱），每个箱赋予一个唯一的离散标签（如 1,2,3… 或 0,1,2…），后续建模使用该标签代替原始值。

分箱的目的与意义

分箱在数据科学和风控建模中承担多重角色，其核心价值可归纳为以下五个方面：

目的	具体意义	典型场景
降低噪声与过拟合	连续变量中的微小波动往往是无意义的噪声，分箱后模型只关注区间级别的趋势，泛化能力更强。	收入变量：1000元与1001元无本质区别，分箱后归入同一区间。
增强可解释性	业务人员更容易理解“年龄在30-40岁之间违约率最高”而非“年龄每增加1岁，log-odds变化0.03”。	信用评分卡中每个箱对应一个分数段。
处理缺失值与异常值	缺失值可单独作为一个箱，异常值可合并到边界箱中，避免模型对极端值敏感。	收入缺失值归入“未知”箱。
满足线性模型假设	逻辑回归等线性模型要求特征与log-odds呈线性关系，分箱后通过WOE编码可近似满足该假设。	评分卡模型的标准预处理步骤。
提升计算效率	离散化后的变量在存储和计算上更高效，尤其适合大规模风控系统。	实时决策引擎中的特征计算。

分箱在信用评分与风控模型中的应用

在信用评分卡（Scorecard）和风控模型中，分箱是构建可解释、稳定、合规模型的核心环节。以下是分箱在风控全流程中的典型应用：

特征工程阶段： 对原始变量（年龄、收入、负债率、征信查询次数等）进行分箱，计算每个箱的坏账率（Bad Rate）和证据权重（WOE），作为模型输入。
评分卡构建： 每个分箱对应一个分数点，最终评分 = 基准分 + Σ(各变量箱分数)。分箱直接决定了评分卡的可解释性和业务可审计性。
模型监控与稳定性： 分箱后的变量更容易计算群体稳定性指标（PSI），用于监控模型上线后特征分布是否发生偏移。
拒绝推断与策略制定： 分箱结果可直接转化为风控策略规则，如“年龄<25岁且收入<5万 → 拒绝”。

行业实践： 在巴塞尔协议合规的信用风险模型中，分箱是“模型可解释性”和“变量业务意义”的强制性要求。未经分箱的连续变量直接进入逻辑回归，通常无法通过监管审计。

分箱类型概览

分箱方法按是否利用目标变量（如是否违约）可分为两大类：

类型	方法	特点	适用场景
无监督分箱	等距分箱、等频分箱、聚类分箱	仅依赖变量自身分布，速度快，但可能忽略与目标变量的关系。	初步探索、数据量大且目标变量不可用。
有监督分箱	卡方分箱、决策树分箱、最优分箱	利用目标变量指导分箱切点，保证每个箱内坏账率单调或差异显著。	评分卡建模、风控模型特征工程。

注意： 分箱不是“分得越细越好”。箱数过多会导致每个箱内样本稀疏，统计意义下降；箱数过少会丢失信息。通常风控模型中每个变量分箱数控制在 3~7 箱，且每个箱至少包含 5% 的样本。