银行业客户流失预警模型（二）| 数据预处理和特征衍生

1.极端值处理

1.1 极端值定义

极端值也称离群值，可能会影响模型精度，进而影响预测结果。

极端值对于不同的模型，影响不同，虽然处理极端值并不是数据预处理的必经流程，但是我们需要知道极端值的存在对最终结果的影。

一般回归模型对极端值非常敏感，需要处理。而决策树，KNN对极端值影响并不大，可以选择不处理。

1.2 极端值的检测

检测极端值有很多方法，最直观的就是可视化检测。

###如何量化判断极端值呢？

###我们一般将三个标准差以外的值称为极端值。

1.3极端值的处理

（1）删除极端值：
如果数据量足够大，而极端值只是少数，我们可以选择将极端值删去。

例如个别持卡人的年龄超过85岁，这个数据本身就是很少数的情况，所以可以删除

（2）人为调整：

但是如果数据样本很少，不能轻易删除数据，那可以选择人为降低极端值到某个正常值范围内，例如用95%分为点的值代替。

(3)单独建立模型：
例如信用可额度特别高。

2.缺失值处理

2.1缺失值的种类

（1）完全随机缺失：缺失值和其他变量没有关系，比如婚