2、特征工程总览：特征工程在评分卡建模中的核心地位、特征处理流程

在信用评分卡建模中，原始数据几乎无法直接用于逻辑回归或机器学习算法。缺失值、异常值、量纲差异、非线性关系以及高维稀疏等问题，都会导致模型失效或过拟合。特征工程正是解决这些问题的系统性工程，它决定了评分卡模型性能的上限。

2.1 特征工程在评分卡中的核心地位

评分卡模型通常采用逻辑回归作为底层算法，其对输入特征有严格的要求：

• 线性关系假设：逻辑回归假设特征与目标变量的对数几率呈线性关系，而原始特征往往是非线性的。
• 缺失值敏感：逻辑回归无法自动处理缺失值，需要预先填充或作为单独类别处理。
• 异常值影响：极端值会严重扭曲模型系数，导致评分卡权重不合理。
• 量纲统一：不同量纲的特征（如年龄0-100 vs 收入0-100万）会导致系数可比性差，且影响正则化效果。
• 业务可解释性：评分卡要求每个特征分箱后赋予明确的分数，原始连续值无法直接生成整数分数。

特征工程通过一系列转换，将原始数据转化为满足上述要求的、具有强预测能力和稳定性的特征集合，是评分卡建模中最耗时但回报最高的环节。

2.2 特征处理四大流程

评分卡特征工程遵循一套标准化的处理流程，通常包含四个核心阶段：数据清洗、特征构造、特征选择、特征分箱。每个阶段解决不同的问题，且顺序不可逆。

下图展示了特征工程在评分卡建模中的完整位置与内部流程关系：

2.3 各流程关键要点

2.3.1 数据清洗

数据清洗是特征工程的基石。在评分卡场景中，常见的清洗操作包括：

• 缺失值处理：对于缺失率超过 70% 的特征直接删除；对于缺失率较低的特征，根据业务含义填充（均值、中位数、众数或单独类别）。
• 异常值截断：使用箱线图（IQR）或百分位数法（如 1% 和 99% 分位数）对极端值进行截断，避免模型被少数极端样本主导。
• 重复值去重：删除完全重复的样本记录，防止数据泄露或样本权重失衡。
• 格式统一：将日期、字符串、类别编码等统一为标准格式，便于后续处理。

2.3.2 特征构造

特征构造是提升模型区分能力的关键。常用的构造方法包括：

• 衍生变量：基于业务逻辑生成新特征，如“收入负债比”、“近3个月查询次数”、“信用卡使用率”。
• 交叉特征：将两个或多个特征组合，如“年龄 × 收入等级”、“职业 × 学历”。
• 聚合统计：对时间序列数据进行窗口聚合，如“近6个月平均消费金额”、“最大逾期天数”。
• WOE转换：在分箱后，将每个箱体映射为WOE（Weight of Evidence）值，实现特征与目标变量的线性化。

2.3.3 特征选择

特征选择旨在从大量候选特征中筛选出对预测最有贡献的子集，避免维度灾难和过拟合。常用方法分为三类：

2.3.4 特征分箱

特征分箱是评分卡建模区别于普通机器学习模型的标志性步骤。它将连续变量离散化为若干个箱体，每个箱体赋予一个WOE值，从而实现：

• 处理非线性关系：分箱后WOE与目标变量呈单调关系，满足逻辑回归的线性假设。
• 增强模型稳定性：离散化后的特征对异常值和数据波动不敏感，PSI（群体稳定性指标）更优。
• 业务可解释性：每个箱体对应一个分数，便于业务人员理解和审批决策。

常见的分箱方法包括等距分箱、等频分箱、卡方分箱和决策树分箱。其中，卡方分箱和决策树分箱能够自动寻找最优切分点，是工业界的主流选择。