1. 课程导论：LightGBM在额度定价中的核心价值与课程目标
1.1 为什么额度定价需要机器学习？
传统额度定价依赖线性回归或专家规则，难以捕捉用户行为与风险之间的非线性关系。LightGBM 凭借高效训练、自动特征交互和缺失值处理三大优势，成为金融风控领域额度定价的首选模型。
核心痛点： 样本切分不当会导致模型过拟合或欠拟合，直接影响额度定价的准确性与业务收益。
1.2 LightGBM在额度定价中的三大核心价值
| 价值维度 | 具体表现 | 业务收益 |
|---|---|---|
| 非线性拟合 | 自动捕捉收入、负债、逾期天数之间的复杂交互 | 定价区分度提升15%-25% |
| 高效迭代 | 百万级样本训练时间<5秒，支持实时调额 | 模型上线周期缩短70% |
| 鲁棒性 | 内置正则化与早停机制，抗过拟合能力强 | 样本外AUC稳定在0.75以上 |
1.3 样本切分：额度定价的“隐形地基”
在额度定价场景中，样本切分直接影响模型对低风险高额度与高风险低额度两类极端样本的学习效果。错误的切分策略会导致：
- 时间穿越： 用未来数据预测过去，造成AUC虚高
- 样本不平衡： 优质客户占比过高，模型对违约样本不敏感
- 分布漂移： 训练集与测试集客群结构不一致，上线后效果断崖下跌
实战经验： 额度定价场景建议采用“时间序列切分 + 分层抽样”的组合策略，而非随机切分。
1.4 课程目标与学习路径
通过本课程，你将掌握以下核心能力：
- 理解 额度定价中样本切分的特殊约束（时间顺序、业务周期、客群分层）
- 掌握 5种主流切分策略（随机、时间、分层、组合、对抗验证）的适用场景
- 实战 基于LightGBM的额度定价模型全流程搭建与评估
- 避坑 样本切分中的10个常见错误与修正方案
1.5 额度定价样本切分全景图
1.6 课程适用人群与前置知识
| 角色 | 收益点 | 前置要求 |
|---|---|---|
| 风控建模工程师 | 掌握额度定价专属样本切分方法论 | 熟悉Python、pandas、sklearn |
| 策略分析师 | 理解模型切分逻辑，提升策略落地效果 | 了解基础统计与风控指标 |
| 业务产品经理 | 明确样本切分对业务收益的影响 | 了解额度定价基本流程 |
重要提示： 本课程所有实战案例均基于真实脱敏金融数据，切分代码可直接复用于生产环境。请确保已安装 LightGBM >= 3.3.0。