4. 特征质量维度定义：完整性、准确性、一致性、时效性、稳定性、唯一性

在构建 LightGBM 模型之前，必须对原始特征进行系统性的质量评估。本章定义六大核心质量维度，作为后续监控与哨兵告警的判定基准。每个维度对应一类常见的特征劣化模式，理解这些维度是配置监控阈值和设计修复策略的前提。

4.1 六大维度总览

下表从定义、典型问题、LightGBM 影响、监控指标四个角度对比六个维度，便于快速建立全局认知。

4.2 完整性（Completeness）

完整性衡量特征值缺失的程度与模式。LightGBM 原生支持缺失值处理（默认将缺失值分配到增益最大的分支），但高缺失率特征会引入不确定性：模型可能学习到“缺失”本身作为信号，一旦缺失模式改变，预测行为将剧烈波动。

• 监控指标：缺失率（缺失值数 / 总行数）、非空行数、全零列检测。
• 哨兵阈值示例：缺失率 > 0.8 触发警告；缺失率 > 0.95 触发阻断。
• 常见陷阱：使用 -1、0、空字符串等占位符填充缺失，导致完整性检测失效。

4.3 准确性（Accuracy）

准确性指特征值是否真实反映业务事实。即使特征完整，如果取值错误，模型仍会学到错误关联。准确性问题是特征质量中最隐蔽的一类，通常需要业务规则或统计校验才能发现。

• 监控指标：值域越界率、类型一致性、精度异常（如 float 列出现 NaN 或 Inf）。
• 哨兵阈值示例：越界率 > 0.05 触发警告；越界率 > 0.2 触发阻断。
• 常见陷阱：特征值在训练集内合法，但在线上环境因上游数据源变更而越界。

4.4 一致性（Consistency）

一致性关注特征在不同数据源、不同时间窗口或不同版本间的语义是否对齐。LightGBM 对枚举特征的编码顺序敏感，一旦枚举值映射关系改变，模型的分裂逻辑可能完全失效。

• 监控指标：枚举值分布偏移、单位校验、编码冲突检测。
• 哨兵阈值示例：新枚举值出现且占比 > 0.01 触发警告；枚举值映射表变更触发阻断。
• 常见陷阱：上游系统将单位从“厘米”改为“米”而未通知下游，导致特征量级突变。

4.5 时效性（Timeliness）

时效性衡量特征是否在预期时间窗口内完成更新。对于实时推理场景，特征延迟到达会导致模型使用过时信息；对于批训练场景，特征快照滞后会造成训练与线上分布不一致。

• 监控指标：特征更新时间戳与当前时间的差值、延迟时长分位数（P50/P95/P99）。
• 哨兵阈值示例：延迟 > 30 分钟触发警告；延迟 > 2 小时触发阻断。
• 常见陷阱：只监控平均延迟，忽略长尾延迟；P99 延迟超标但均值正常。

4.6 稳定性（Stability）

稳定性是特征质量监控中最核心的维度，直接反映特征分布是否随时间漂移。LightGBM 模型对特征分布的突变非常敏感，稳定性下降通常先于模型 AUC 衰减出现。

• 监控指标：群体稳定性指标（PSI）、均值差、标准差比、分位数偏移。
• 哨兵阈值示例：PSI > 0.1 触发警告；PSI > 0.25 触发阻断。
• 常见陷阱：PSI 对分箱数量敏感，建议使用等频分箱（默认 10 箱）并固定分箱边界。

4.7 唯一性（Uniqueness）

唯一性评估特征取值的离散程度与重复模式。高基数特征（如用户 ID、设备指纹）在 LightGBM 中容易导致过拟合，而重复率过高的特征（如全常数列）则对模型无贡献。

• 监控指标：唯一值计数、唯一值占比、重复行数、基数与样本量比值。
• 哨兵阈值示例：唯一值占比 > 0.95（疑似 ID 列）触发警告；重复率 > 0.99（疑似常数列）触发阻断。
• 常见陷阱：将高基数特征直接送入模型而不做分箱或嵌入，导致树模型深度过大。

4.8 六大维度关系与监控优先级

六个维度并非独立运作，它们之间存在因果与优先级关系。下图展示了特征质量劣化的典型传导路径，以及各维度在监控体系中的层级位置。

4.9 维度优先级与哨兵联动策略

在实际监控系统中，六个维度不应平等对待。建议按以下优先级配置哨兵规则：

1. 第一优先级（阻断级）：完整性缺失率 > 0.95、准确性越界率 > 0.2、稳定性 PSI > 0.25。这些情况直接阻断模型推理或训练流程。
2. 第二优先级（警告级）：一致性枚举偏移 > 0.01、时效性延迟 > P95 阈值、唯一性基数异常。触发警告后自动通知值班人员。
3. 第三优先级（通知级）：完整性缺失率 > 0.8、准确性越界率 > 0.05、稳定性 PSI > 0.1。仅记录日志并发送低优先级通知。