3. 变量衍生概述：特征工程与变量衍生的区别、衍生变量的类型、衍生策略与业务理解
变量衍生（Feature Derivation）是模型可解释性工程中承上启下的关键环节。它并非简单的特征筛选，而是基于原始数据与业务逻辑，主动创造新的、更具解释力的预测变量。本章将厘清变量衍生与特征工程的边界，系统梳理衍生变量的三大类型，并建立“业务理解驱动衍生策略”的核心思维。
3.1 特征工程与变量衍生的区别
在数据科学实践中，“特征工程”与“变量衍生”常被混用，但二者在目标、操作粒度与可解释性上存在本质差异。下表从四个维度进行对比：
| 对比维度 | 特征工程（Feature Engineering） | 变量衍生（Feature Derivation） |
|---|---|---|
| 核心目标 | 提升模型预测性能（AUC、LogLoss） | 增强变量业务含义与模型可解释性 |
| 操作对象 | 原始字段 + 衍生字段 | 原始字段 + 业务规则 |
| 典型操作 | 标准化、缺失值填充、独热编码、PCA降维 | 比率计算、时间窗口聚合、业务组合、分箱 |
| 可解释性影响 | 可能降低（如PCA成分无直接含义） | 通常提升（变量有明确业务标签） |
关键认知：变量衍生是特征工程的一个子集，但更强调“业务语义优先”。一个优秀的衍生变量，应当让业务人员看到变量名就能理解其含义，例如“近3个月逾期次数占比”优于“PCA_comp_1”。
3.2 衍生变量的三大类型
根据数据变换与组合方式，衍生变量可归纳为三类：组合型、变换型与聚合型。下图展示了三类衍生变量的核心逻辑与典型示例。
3.3 组合型衍生：从业务比率到交叉特征
组合型衍生是最直观、最易解释的变量创造方式。其核心思想是：两个或多个原始变量的比值或运算结果，往往比单个变量更具预测力。
- 比率类：负债收入比（DTI）、贷款价值比（LTV）、费用收入比。这类变量天然具有“归一化”效果，消除量纲影响。
- 交叉类：收入等级 × 职业类型、年龄组 × 婚姻状况。交叉特征能捕捉变量间的交互效应，在决策树与逻辑回归中尤为重要。
- 业务评分类：根据业务规则对多个字段加权求和，如“信用评分卡”中的基础分 + 收入分 + 职业分。
实战建议：在风控模型中，
负债收入比 通常比单独的“总负债”或“月收入”具有更高的IV（信息价值）和更稳定的业务解释性。优先从业务比率开始衍生。
3.4 变换型衍生：处理偏态与非线性
变换型衍生主要解决原始变量的分布偏态与非线性关系问题。常见的变换操作包括：
| 变换类型 | 适用场景 | 可解释性影响 |
|---|---|---|
| 对数变换（log） | 收入、金额等长尾分布 | 中等：需业务理解“对数尺度” |
| 分箱（Binning） | 年龄、信用分等连续变量 | 高：每个箱有明确业务标签 |
| 平方根变换 | 计数数据（如逾期次数） | 中等：方差稳定化 |
| 秩变换（Rank） | 异常值敏感的场景 | 高：排序位置易于理解 |
分箱是变换型衍生中与可解释性结合最紧密的操作。通过将连续变量划分为若干区间，每个区间赋予一个业务含义（如“低风险”、“中风险”、“高风险”），模型输出可直接映射为业务决策。
3.5 聚合型衍生：时间窗口与群体统计
聚合型衍生是结构化数据中最具信息密度的变量来源，尤其适用于时序数据与分层数据。其核心逻辑是：在某个维度（时间、群体）上对原始记录进行统计汇总。
- 时间窗口聚合：近3个月、近6个月、近12个月的均值、最大值、最小值、标准差、趋势斜率。窗口长度需结合业务周期确定。
- 群体聚合：按职业分组计算平均收入、按地区分组计算平均逾期率。群体聚合变量能反映个体在群体中的相对位置。
- 计数聚合：历史申请次数、近30天登录次数、近1年逾期次数。计数类变量直接反映行为频率。
避坑提示：聚合型衍生容易引入“未来信息”或“数据泄露”。例如，使用全量历史数据计算均值时，若包含未来记录，则会造成训练集与测试集的信息穿越。务必在时间窗口上严格限定“仅使用截止当前时刻的历史数据”。
3.6 衍生策略与业务理解：从业务逻辑到变量设计
变量衍生不是盲目的数学游戏，而是业务理解驱动的结构化设计过程。以下是一个经过验证的四步衍生策略框架：
- 业务拆解：将预测目标拆解为可量化的业务子维度。例如，信用风险可拆解为“还款能力”、“还款意愿”、“稳定性”三个维度。
- 变量映射：为每个业务子维度寻找或创造可观测的代理变量。例如，“还款能力”可映射为“负债收入比”、“可用额度”、“收入稳定性指数”。
- 变换与组合：对原始变量进行必要的变换（如对数、分箱）和组合（如比率、交叉），使其更符合模型假设与业务解释需求。
- 可解释性验证：检查衍生变量是否具有清晰的业务含义，是否与目标变量呈现单调或可解释的关系（如通过分箱后的WOE趋势图验证）。
下图展示了从业务理解到衍生变量输出的完整流程：
3.7 本章小结
- 变量衍生 ≠ 特征工程：前者以业务解释性为核心，后者以模型性能为核心。
- 三大衍生类型：组合型（比率/交叉）、变换型（对数/分箱）、聚合型（时间窗口/群体统计），各有适用场景与解释性特征。
- 业务理解是起点：衍生策略必须从业务拆解出发，经过变量映射、变换组合、可解释性验证的闭环迭代。
- 分箱是连接衍生与可解释性的桥梁：下一章将深入分箱技术，展示如何通过分箱将连续变量转化为高解释性的离散变量。