📚 课程目录第3章特征工程基础

3. 特征工程基础：特征的定义、类型与在线获取

在信用评分系统中，特征是描述借款人信用状况、还款能力与行为模式的量化指标。特征工程是将原始数据转化为模型可理解、可学习的数值表示的过程，直接决定了评分模型的性能上限。本章将系统讲解特征的定义、类型、在信用评分中的重要性，以及在线推理场景下的存储与获取方式。

3.1 特征的定义与核心要素

特征（Feature）是从原始数据中提取的、用于预测目标变量（如违约概率）的数值或类别属性。一个有效的信用评分特征应满足以下要素：

要素	说明	信用评分示例
区分度	能有效区分好客户与坏客户	近6个月逾期次数
稳定性	随时间推移分布变化小	年龄、收入负债比
可解释性	业务人员能理解其含义	信用卡使用率
合规性	不涉及敏感或歧视性信息	排除种族、性别等字段
时效性	能反映当前信用状态	最近3个月查询次数

实践要点：特征并非越多越好。在信用评分中，通常优先选择与违约率呈单调关系的特征，便于模型解释与风控策略制定。

3.2 特征类型与处理方式

信用评分中的特征按数据类型可分为三类，每类需要不同的预处理与编码方法：

3.2.1 数值型特征

数值型特征（Numeric Feature）是可直接参与数学运算的连续或离散数值。常见示例包括：

连续型：年龄、收入、负债总额、信用额度
离散型：信用卡张数、贷款笔数、近6个月查询次数

数值型特征通常需要经过缺失值填充、异常值截断、标准化/归一化等处理，以消除量纲影响并提升模型收敛速度。

3.2.2 类别型特征

类别型特征（Categorical Feature）表示有限个离散取值，取值之间无天然顺序关系。常见示例包括：

无序类别：婚姻状况、职业类型、居住城市、学历
有序类别：教育等级（高中/本科/硕士）、收入等级（低/中/高）

类别型特征在输入模型前必须进行编码。信用评分中常用的编码方式包括：

编码方式	适用场景	优点	缺点
独热编码	无序类别，类别数较少	无偏序假设，模型可解释	维度爆炸，稀疏
标签编码	有序类别	保留顺序信息，维度不变	可能引入虚假数值关系
WOE编码	二分类目标变量	与违约率单调相关，可解释强	需先分箱，依赖训练数据
目标编码	高基数类别	压缩维度，捕捉类别与目标关系	易过拟合，需交叉验证

3.2.3 文本型特征

文本型特征（Text Feature）来源于非结构化文本数据，如借款用途描述、工作单位名称、通讯录备注等。在信用评分中，文本特征通常通过以下方式提取：

关键词匹配：识别高风险关键词（如“赌博”、“套现”）
TF-IDF / Word2Vec：将文本转化为向量，捕捉语义信息
预训练语言模型：使用BERT等模型提取深层语义特征

  信用评分特征类型分布参考：在典型的风控模型中，数值型特征约占60%，类别型特征约占35%，文本型特征约占5%。文本特征虽占比小，但在欺诈识别场景中往往具有高区分度。

3.3 特征工程在信用评分中的重要性

特征工程是信用评分模型成功的关键环节，其重要性体现在以下四个维度：

提升模型区分能力：好的特征能放大好客户与坏客户之间的差异，使模型更容易找到决策边界。例如，将“收入”与“负债”组合为“收入负债比”，区分度远高于单独使用。
增强模型稳定性：通过特征分箱、WOE变换等操作，降低特征对极端值和分布漂移的敏感度，使模型在跨时间、跨客群场景下保持稳定。
保障模型可解释性：信用评分受监管要求，必须可解释。特征工程阶段通过选择业务含义清晰、与违约率单调相关的特征，使评分卡模型（如逻辑回归）的每个系数都有业务含义。
降低在线推理延迟：在线推理场景下，特征计算必须在毫秒级完成。通过特征工程提前设计好计算逻辑、缓存高频特征、压缩特征维度，可显著降低推理耗时。

常见误区：不要盲目堆砌特征。过多的特征不仅增加存储与计算成本，还容易引入噪声导致过拟合。信用评分中建议遵循“少而精”原则，优先选择与违约率强相关、业务可解释的特征。

3.4 特征存储与在线获取方式

在信用评分在线推理链路中，特征必须能够在毫秒级被获取并输入模型。特征存储与获取方式的设计直接影响推理延迟与系统稳定性。以下是三种主流方案：

3.4.1 特征存储方案对比

存储方案	存储介质	读取延迟	适用场景	典型技术
在线特征存储	内存 / Redis	< 5ms	高频实时特征（如近7天查询次数）	Redis Cluster, Memcached
近线特征存储	SSD / HBase	10-50ms	低频更新特征（如学历、职业）	HBase, Cassandra
离线特征存储	HDFS / 对象存储	秒级	批量计算特征（如年度收入）	Hive, Parquet, S3

3.4.2 在线特征获取流程

在线推理时，特征获取通常遵循以下步骤：

请求解析：接收用户ID或申请单号，解析出查询主键
特征路由：根据特征元数据配置，确定每个特征来自哪个存储层
并行读取：同时从在线存储（Redis）和近线存储（HBase）拉取特征
实时计算：对需要实时聚合的特征（如近30天消费均值）进行在线计算
特征拼接：将各来源特征按特征ID合并为完整的特征向量
输入模型：将特征向量传入评分模型进行推理

  性能优化技巧：在在线推理链路中，建议将90%以上的特征提前计算并缓存到Redis中，避免实时计算带来的延迟抖动。对于必须实时计算的特征，使用预聚合窗口（如滑动窗口）或近似算法（如HyperLogLog）降低计算复杂度。

3.5 特征生命周期管理

特征并非一成不变，在信用评分系统的持续运营中，需要建立完整的特征生命周期管理机制：

阶段	关键活动	输出物
特征设计	业务分析、数据探索、特征衍生	特征定义文档、特征候选列表
特征开发	数据清洗、编码转换、存储实现	特征计算代码、存储配置
特征验证	区分度评估、稳定性测试、PSI监测	特征评估报告、准入/淘汰决策
特征上线	在线存储预热、灰度发布、延迟监控	上线Checklist、监控看板
特征退役	效果衰减评估、替代特征就绪、下线清理	退役申请、存储清理记录

推荐实践：建立特征元数据仓库（Feature Store），统一管理特征的名称、类型、来源、计算逻辑、存储位置、版本号、负责人等信息。Feature Store 能显著提升特征复用率，降低重复开发成本，并保障在线推理时特征的一致性。

3.6 本章小结

特征工程是信用评分在线推理链路的基石。本章从特征的定义出发，系统介绍了数值型、类别型、文本型三类特征及其处理方式，阐述了特征工程在提升区分度、稳定性、可解释性和降低延迟方面的重要作用，并给出了在线推理场景下特征存储与获取的架构方案。掌握特征工程基础，是后续构建高性能信用评分模型的前提。