📚 课程目录第1章课程导论

1. 课程导论：人群切片组合风险的定义、为什么需要LightGBM、课程整体架构与学习目标

在信贷风控、保险精算、用户运营等场景中，我们通常将用户按照若干特征维度（如年龄、收入、职业、历史行为）划分为多个切片。当多个切片条件叠加时，就形成了人群切片组合。例如：“年龄25-35岁 & 月收入8k-15k & 有房贷 & 近3个月查询次数≤3次”。

人群切片组合风险是指：在特定切片组合下，目标事件（如逾期、欺诈、流失）的发生概率显著偏离整体平均水平，且该组合内部可能存在非线性交互效应，无法通过单一特征或简单线性模型准确刻画。

  核心痛点：传统评分卡或逻辑回归模型难以自动发现高维切片组合中的交互模式，导致风险定价失真、策略遗漏或过度收紧。

面对海量切片组合，传统模型存在以下瓶颈：

模型/方法	对切片组合的建模能力	训练效率	可解释性	适用场景
逻辑回归 + 手工交叉特征	弱，依赖人工经验	快	高	特征少、切片简单
决策树 / 随机森林	中等，可自动分裂	中等	中等	中小规模数据
XGBoost	较强，但内存/时间开销大	较慢	中等	对精度要求极高、数据量适中
LightGBM	强，原生支持类别特征与高效分裂	极快	中等（配合SHAP可解释）	大规模、高基数、切片组合复杂

LightGBM 凭借 GOSS（梯度单边采样） 和 EFB（互斥特征捆绑） 两大核心优化，在保持高精度的同时将训练速度提升数倍至数十倍，特别适合处理包含大量离散切片组合的高维稀疏数据。

课程立场：本课程不追求“唯LightGBM论”，而是将其作为人群切片组合风险建模的主力引擎，结合业务理解与可解释性工具，实现风险解析与策略落地。

本课程共30章，按“基础→进阶→实战→策略”四阶段递进：

完成本课程后，你将具备以下能力：

前置要求：建议具备 Python 基础、熟悉 pandas/sklearn 基本操作、了解二分类评估指标（AUC、KS、F1）。本课程不从头讲解 Python 语法。