1. 课程导论：特征漂移的定义、在授信决策中的重要性、课程目标与学习路径
1.1 什么是特征漂移？
在授信决策引擎中，特征漂移（Feature Drift） 是指模型输入特征的统计分布随时间发生不可逆或周期性变化的现象。这种变化会导致模型在训练集上表现良好，但在实际生产环境中预测能力持续下降，是机器学习系统失效的首要原因之一。
特征漂移通常分为两类：
| 类型 | 定义 | 授信场景示例 |
|---|---|---|
| 数据漂移（Data Drift） | 输入特征 X 的分布发生变化，而 P(Y|X) 保持不变 | 用户收入分布因经济周期整体下移，但收入与违约率的关系未变 |
| 概念漂移（Concept Drift） | 输入特征与目标变量 Y 之间的映射关系发生变化 | 疫情后，历史还款记录对违约的预测能力显著减弱 |
核心观点： 授信决策引擎一旦发生特征漂移，轻则导致审批通过率失真，重则引发大规模信用风险暴露。监控并量化特征漂移是模型持续维护的底线要求。
1.2 特征漂移在授信决策中的重要性
授信决策引擎直接关联资金安全与业务收益，特征漂移带来的影响具有明确的量化后果：
- 审批准确率下降： 模型对优质客户误拒（Type I Error）或对高风险客户误批（Type II Error），直接造成利润损失或坏账攀升。
- 评分卡失效： 基于历史数据训练的评分卡，在特征分布偏移后，分数区间与违约概率的对应关系不再成立。
- 监管合规风险： 金融监管机构要求模型在生命周期内保持公平性与可解释性，漂移未检测即构成合规缺陷。
- 策略迭代滞后： 人工依赖旧模型输出做决策，无法及时响应市场变化，错失优质客群或暴露于新风险。
下图展示了特征漂移在授信决策引擎中的传导路径：
1.3 课程目标
本课程旨在帮助金融风控从业者系统掌握使用 LightGBM 进行特征漂移分析与重要性评估的完整方法论。完成本课程后，你将能够：
- 识别与量化： 使用统计检验（PSI、KS、JS散度）与 LightGBM 特征重要性指标，定位发生漂移的特征。
- 归因与排序： 结合 LightGBM 的
gain、split、permutation重要性，区分“高重要性低漂移”与“低重要性高漂移”特征。 - 策略响应： 根据漂移特征制定特征过滤、模型重训、阈值调整等应对方案。
- 工程落地： 构建可复用的特征漂移监控流水线，集成至授信决策引擎的 MLOps 体系。
1.4 学习路径
课程按“理论 → 方法 → 实战 → 工程”四阶段递进设计，建议按顺序学习：
| 阶段 | 章节范围 | 核心产出 |
|---|---|---|
| 基础理论 | 第 1-4 章 | 理解漂移类型、LightGBM 原理、特征重要性指标含义 |
| 检测方法 | 第 5-10 章 | 掌握 PSI、KS、JS 散度、LightGBM 重要性对比等检测手段 |
| 实战案例 | 第 11-20 章 | 基于真实授信数据集完成漂移检测、归因与报告生成 |
| 工程部署 | 第 21-30 章 | 搭建自动化漂移监控看板、告警规则与模型回退机制 |
学习建议： 每章结束后，尝试将所学方法应用到自己的业务特征上。授信场景的漂移往往具有周期性（如月末、季末、节假日），建议积累至少 3 个月的历史特征快照用于练习。
下图概括了本课程的知识体系与学习路径：