3. Python 模型训练与序列化：使用 scikit-learn 训练逻辑回归模型、模型持久化（Pickle/Joblib）、模型文件管理与版本控制

在信用评分 API 的构建流程中，模型训练与序列化是连接数据科学与工程交付的核心环节。本章将聚焦于使用 scikit-learn 训练逻辑回归模型，并通过 Pickle 与 Joblib 实现模型持久化，同时建立规范的模型文件管理与版本控制体系，为后续低延迟 API 发布奠定基础。

3.1 逻辑回归模型训练

逻辑回归因其可解释性强、训练速度快、输出概率校准良好，成为信用评分场景的经典基线模型。以下为基于 scikit-learn 的标准训练流程：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_auc_score, classification_report

# 1. 加载特征工程后的数据
df = pd.read_csv('credit_features.csv')
X = df.drop('default_flag', axis=1)
y = df['default_flag']

# 2. 划分训练集与测试集
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y
)

# 3. 特征标准化（逻辑回归对尺度敏感）
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# 4. 训练逻辑回归模型
model = LogisticRegression(
    penalty='l2',
    C=1.0,
    solver='lbfgs',
    max_iter=1000,
    random_state=42,
    class_weight='balanced'  # 处理样本不平衡
)
model.fit(X_train_scaled, y_train)

# 5. 评估模型
y_pred_proba = model.predict_proba(X_test_scaled)[:, 1]
print(f'ROC-AUC: {roc_auc_score(y_test, y_pred_proba):.4f}')
print(classification_report(y_test, model.predict(X_test_scaled)))

3.2 模型持久化：Pickle vs Joblib

训练完成的模型需要序列化到磁盘，以便在 API 服务中加载推理。Python 提供两种主流序列化方案：

推荐实践：在信用评分场景中，模型文件通常包含 model、scaler 和 feature_names 三个对象，建议使用 Joblib 并启用压缩：

import joblib

# 保存模型及预处理组件
model_artifacts = {
    'model': model,
    'scaler': scaler,
    'feature_names': X.columns.tolist(),
    'model_version': '1.0.0',
    'training_date': '2025-01-15'
}

joblib.dump(model_artifacts, 'credit_model_v1.0.0.joblib', compress=3)

# 加载模型
loaded_artifacts = joblib.load('credit_model_v1.0.0.joblib')
loaded_model = loaded_artifacts['model']
loaded_scaler = loaded_artifacts['scaler']

3.3 模型文件管理与版本控制

随着模型迭代，需要建立规范的版本管理策略，确保 API 可追溯、可回滚。以下为推荐的文件组织方案：

models/
├── v1.0.0/
│   ├── credit_model_v1.0.0.joblib
│   ├── model_metadata.json
│   └── evaluation_report.pdf
├── v1.1.0/
│   ├── credit_model_v1.1.0.joblib
│   ├── model_metadata.json
│   └── evaluation_report.pdf
├── v2.0.0/
│   ├── credit_model_v2.0.0.joblib
│   ├── model_metadata.json
│   └── evaluation_report.pdf
└── latest → v2.0.0/  (符号链接)

model_metadata.json 示例：

{
  "model_version": "1.1.0",
  "training_date": "2025-02-01",
  "algorithm": "LogisticRegression",
  "hyperparameters": {
    "penalty": "l2",
    "C": 0.5,
    "solver": "lbfgs",
    "max_iter": 1000,
    "class_weight": "balanced"
  },
  "features": ["age", "income", "debt_ratio", "credit_history_length", "num_inquiries"],
  "performance": {
    "roc_auc": 0.8234,
    "precision": 0.45,
    "recall": 0.62,
    "f1_score": 0.52
  },
  "data_snapshot": "credit_features_2025Q1.csv",
  "checksum": "sha256:a1b2c3d4e5f6..."
}

3.4 模型训练与序列化流程总览

下图展示了从原始特征到可部署模型文件的完整流程：

3.5 低延迟推理优化要点

为满足信用评分 API 的低延迟要求（通常 < 50ms），在模型序列化阶段需关注以下优化：

• 预计算特征变换：将 scaler 与模型打包，避免推理时重复加载多个文件。
• 模型预热：API 启动时加载模型并执行一次虚拟预测，触发 JIT 编译与缓存。
• 内存映射：对于大型模型，使用 joblib.load(..., mmap_mode='r') 实现内存映射加载，减少内存占用。
• 模型量化：将模型权重从 float64 转换为 float32，可减少 50% 内存带宽并提升推理速度。

# 模型量化示例：转换权重精度
import numpy as np

model.coef_ = model.coef_.astype(np.float32)
model.intercept_ = model.intercept_.astype(np.float32)

# 保存量化后的模型
joblib.dump(model, 'credit_model_quantized.joblib', compress=3)