2. 样本偏差基础概念
在实时风控场景中，模型训练所使用的样本与线上真实业务样本之间的分布差异，是导致模型效果衰减、失效的核心原因。本章系统梳理样本偏差的五个基础概念，为后续的偏差校验与修复奠定理论基础。
2.1 总体分布与样本分布
总体分布（Population Distribution）指目标业务场景中所有可能样本的真实分布，是理想状态下的完整数据集合。在风控场景中，总体分布对应“所有历史及未来可能发生的交易/行为”的真实特征与标签分布。
样本分布（Sample Distribution）指实际用于模型训练的数据集的分布。由于采样成本、存储限制、标签延迟等原因，样本分布往往与总体分布存在差异。
| 对比维度 | 总体分布 | 样本分布 |
|---|---|---|
| 定义 | 目标域所有样本的真实分布 | 实际采集/用于训练的样本分布 |
| 可观测性 | 通常不可完全观测 | 可直接统计 |
| 时间范围 | 全生命周期 | 特定时间窗口 |
| 风控典型问题 | 黑产攻击模式随时间演变 | 训练集未覆盖最新攻击模式 |
关键认知：模型训练的目标是让样本分布尽可能逼近总体分布。当两者偏差过大时，模型在线上表现会显著劣于离线评估结果。
2.2 采样偏差
采样偏差（Sampling Bias）指在数据采集过程中，由于采样方法、采样时机、采样比例等因素导致样本分布与总体分布不一致的现象。实时风控中常见的采样偏差类型包括：
- 时间采样偏差：仅在特定时间段采集样本，未覆盖全天或全周期业务模式。
- 渠道采样偏差：仅从部分业务渠道获取样本，忽略其他渠道的差异化特征。
- 标签采样偏差：过度采样正样本（欺诈样本）或负样本，破坏原始比例。
- 存活偏差：仅采集“存活”到标签确认时刻的样本，忽略早期被拦截或流失的样本。
实时风控典型场景：某支付平台仅采集“交易金额 > 100元”的样本进行模型训练，导致小额交易场景的欺诈模式未被充分学习，线上小额欺诈漏报率升高。
2.3 标签偏差
标签偏差（Label Bias）指样本的标签（Label）与真实业务结果之间存在系统性差异。在风控场景中，标签偏差通常由以下原因引起：
| 偏差类型 | 产生原因 | 风控影响 |
|---|---|---|
| 标签延迟 | 欺诈确认需要T+7~T+30天 | 近期样本标签不准确，模型滞后 |
| 标签噪声 | 人工审核错误、系统误判 | 模型学习到错误模式 |
| 标签截断 | 仅对部分样本进行标注 | 未标注样本的真实标签未知 |
| 反馈偏差 | 被拦截的样本无法确认是否真实欺诈 | 正样本被系统性低估 |
注意：标签偏差是实时风控中最隐蔽的偏差类型。由于标签延迟，模型可能使用“看似正常”但实际为欺诈的样本进行训练，导致模型对最新攻击模式反应迟钝。
2.4 特征分布偏移
特征分布偏移（Feature Distribution Shift）指模型输入特征的统计分布在训练集与线上推理集之间发生变化。这是实时风控中最常见、最需要持续监控的偏差类型。
特征分布偏移的常见模式：
- 均值偏移：特征均值发生系统性变化（如平均交易金额从200元升至500元）。
- 方差偏移：特征离散程度变化（如交易时间分布从集中变为分散）。
- 分布形状偏移：特征的整体分布形态改变（如从正态分布变为长尾分布）。
- 缺失率偏移：特征缺失比例在训练集与线上集之间不一致。
2.5 偏差类型总结与关系
上述五种偏差并非孤立存在，它们在实时风控场景中相互关联、叠加影响：
- 采样偏差 是源头问题，决定了样本分布与总体分布的初始差距。
- 标签偏差 在样本采集后、模型训练前引入，污染了监督信号。
- 特征分布偏移 是模型上线后持续发生的问题，反映业务环境的变化。
- 三者共同导致模型在线上推理时的 泛化能力下降 和 效果衰减。