3. 样本切分基础：训练集、验证集、测试集的定义与在定价模型中的特殊意义

在金融风控定价模型中，样本切分不仅是机器学习流程的标准动作，更直接决定了额度定价策略的泛化能力与业务稳健性。本节将系统梳理三组数据集的定义，并重点剖析它们在定价场景下的特殊约束。

3.1 三组数据集的标准定义

3.2 定价模型中的特殊意义

与分类或回归任务不同，额度定价模型对样本切分有额外的业务约束：

• 时间序列敏感性：定价模型依赖客群在不同时间窗口的还款表现，随机切分可能破坏时间因果结构，导致未来数据“泄露”到训练集。
• 额度干预偏差：历史额度本身是模型决策的结果，若直接使用全量历史样本，训练集中会包含“被干预后的表现”，产生选择性偏差。
• 样本权重差异：不同额度区间的客群违约率差异巨大，简单随机切分可能导致验证集或测试集中高风险样本比例失真。

3.3 样本切分流程与数据隔离策略

下图展示了定价模型中推荐的样本切分流程，强调时间轴对齐与额度干预隔离：

3.4 常见切分方法对比

3.5 定价模型切分实战建议

1. 优先使用时间序列切分：按申请时间或观察期结束时间排序，前60%为训练集，中间20%为验证集，最后20%为测试集。
2. 过滤额度干预样本：在切分前，剔除历史额度被人为调整超过一定阈值（如20%）的样本，保留自然审批通过的客群。
3. 验证集用于早停与调参：在LightGBM中设置 early_stopping_rounds，以验证集上的业务指标（如预期收益）为监控目标。
4. 测试集保留业务分层：在测试集上按额度区间分层计算坏账率与收益率，确保模型在不同额度段表现均衡。

# LightGBM 时间序列切分示例
import pandas as pd
from sklearn.model_selection import train_test_split

# 假设 df 包含 'apply_date' 列
df_sorted = df.sort_values('apply_date').reset_index(drop=True)

# 按时间顺序切分
train_end = int(len(df_sorted) * 0.6)
val_end = int(len(df_sorted) * 0.8)

train = df_sorted.iloc[:train_end]
val = df_sorted.iloc[train_end:val_end]
test = df_sorted.iloc[val_end:]

print(f"训练集样本数: {len(train)}")
print(f"验证集样本数: {len(val)}")
print(f"测试集样本数: {len(test)}")