风控策略面试题目

转自：金融风控面试题目（一） - 知乎

一、算法

1.1 逻辑回归的优缺点，在金融领域相比其他算法的优缺点？

优点：
（1）实现简单，速度快，占用内存小，可在短时间内迭代多个版本的模型。
（2）模型的可解释性非常好，可以直接看到各个特征对模型结果的影响，可解释性在金融领域非常重要，所以在目前业界大部分使用的仍是逻辑回归模型。
（3）模型客群变化的敏感度不如其他高复杂度模型，因此稳健更好，鲁棒性更强。
（4）特征工程做得好，模型的效果不会太差，并且特征工程可以并行开发，大大加快开发的速度。
（5）模型的结果可以很方便的转化为策略规则，且线上部署简单。

缺点和局限性：
（1）容易欠拟合，相比集成模型，准确度不是很高。
（2）对数据的要求比较高，逻辑回归对缺失值，异常值，共线性都比较敏感，且不能直接处理非
线性的特征。所以在数据清洗和特征工程上会花去很大部分的时间。
（3）在金融领域对场景的适应能力有局限性，例如数据不平衡问题，高维特征，大量多类特征，
逻辑回归在这方面不如决策树适应能力强。

1.2 逻辑回归是线性模型吗？逻辑回归和线性回归的区别？

逻辑回归是一种广义线性模型，它引入了 Sigmod 函数，是非线性模型，但本质上还是一个线性回归模型，因为除去 Sigmod 函数映射关系，其他的算法原理，步骤都是线性回归的。逻辑回归和线性回归首先都是广义的线性回归，在本质上没多大区别，区别在于逻辑回归多了个 Sigmod 函数，使样本映射到[0,1]之间的数值，从而来处理分类问题。另外逻辑回归是假设变量服从伯努利分布，线性回归假设变量服从高斯分布。逻辑回归输出的是离散型变量，用于分类，线性回归输出的是连续性的，用于预测。逻辑回归是用最大似然法去计算预测函数中的最优参数值，而线性回归是用最小二乘法去对自变量因变量关系进行拟合。

1.3 逻辑回归做分类的样本应该满足什么分布？

应该满足伯努利分布，逻辑回归的分类标签是基于样本特征通过伯努利分布产生的，分类器
要做的就是估计这个分布。

1.4 逻辑回归解决过拟合的方法有哪些？

减少特征数量，在实际使用中会用很多方法进行特征筛选，例如基于 IV 值的大小，变量的
稳定性，变量之间的相关性等。
正则化，常用的有 L1 正则化和 L2 正则化。

WOE计算公式

其中，pyi是这个组中响应客户（风险模型中，对应的是违约客户，总之，指的是模型中预测变量取值为“是”或者说1的个体）占所有样本中所有响应客户的比例，pni是这个组中未响应客户占样本中所有未响应客户的比例，#yi是这个组中响应客户的数量，#ni是这个组中未响应客户的数量，#yT是样本中所有响应客户的数量，#nT是样本中所有未响应客户的数量。

 IV计算公式

L1 正则化和 L2 正则化相关内容：正则化_kinghannah的博客-CSDN博客_正则化
正则化中涉及到的范数：到底什么是范数？什么是0范数、1范数、2范数？区别又是什么？_yiixiou的博客-CSDN博客_2范数
IV 值和WOE相关内容：特征筛选之—IV值_小小数据挖掘工程师的博客-CSDN博客_iv值

1.5 什么是特征的离散化和特征交叉？逻辑回归为什么要对特征进行离散化？

特征离散化是将数值型特征（一般是连续型的）转变为离散特征，例如评分卡中的 woe 转化，就是将特征进行分箱，再将每个分箱映射到 woe 值上，就转换为了离散特征。特征交叉也叫作特征组合，是将单独的特征进行组合，使用相乘/相除/笛卡尔积等形成合成特征，有助于表示非线性关系。比如使用 One-Hot 向量的方式进行特征交叉。这种方式一般适用于离散的情况，我们可以把它看做基于业务理解的逻辑和操作，例如经度和纬度的交叉，年龄和性别的交叉等。

实际工作中很少直接将连续型变量带入逻辑回归模型中，而是将特征进行离散化后再加入模
型，例如评分卡的分箱和 woe 转化。这样做的优势有以下几个：
1）特征离散化之后，起到了简化模型的作用，使模型变得更稳定，降低了模型过拟合的风险。
2）离散化之后的特征对异常数据有很强的鲁棒性，实际工作中的哪些很难解释的异常数据一般不会做删除处理，如果特征不做离散化，这个异常数据带入模型，会给模型带来很大的干扰。
3）离散特征的增加和减少都很容易，且稀疏向量的内积乘法运算速度快，易于模型的快速迭代。4）逻辑回归属于广义线性模型，表达能力有限，特征离散化之后，每个离散变量都有单独的权重，相当于给模型引入了非线性，能够提高模型的表达能力。
5）离散化后的特征可进行特征交叉，进一步引入非线性，提高模型的表达能力。

1.6 在逻辑回归中，为什么要常常做特征组合（特征交叉）？

逻辑回归模型属于线性模型，线性模型不能很好处理非线性特征，特征组合可以引入非线性特征，提升模型的表达能力。另外，基本特征可以认为是全局建模，组合特征更加精细，是个性化建模，但对全局建模会对部分样本有偏，对每一个样本建模又会导致数据爆炸，过拟合，所以基本特征+特征组合兼顾了全局和个性化。

1.7 做评分卡中为什么要进行 WOE 化？
更好的解释性，变量离散化之后可将每个箱体映射到 woe 值，而不是通常做 one-hot 转换。
woe 化之后可以计算每个变量的 IV 值，可用来筛选变量。
对离散型变量，woe 可以观察各个 level 间的跳转对 odds 的提升是否呈线性。
对连续型变量，woe 和 IV 值为分箱的合理性提供了一定的依据，也可分析变量在业务上的可解释性。
用 woe 编码可以处理缺失值问题。

评分卡制作流程：评分卡实例：一步一步实现评分卡(详细长文)_老饼讲解机器学习的博客-CSDN博客_评分卡