风控信贷模型（一）：特征分析

风控信贷模型（一）：特征分析

数据的探索分析EDA，是对数据进行初步的统计分析，统计数据的分布、异常、相互关系，目标是让我们了解这些数据能告诉我们什么。可以用来指导我们进行模型的选择，帮助我们初步决定哪些特征需要被使用，哪些特征需要被剔除。

前期准备与观察
1、准备好样本、特征、label；
2、查看样本集中样本总个数、特征总个数；
3、查看正负样本比例，如果正负样本相差不多，则属于样本均衡的建模问题，如果其中一类明显高于另外一类，则属于样本不均衡的建模问题；
4、查看每个特征的类型：离散型、连续型。按照不同的类型进行分组，分别进行处理

信贷业务里面，大部分时候面对的是二分类任务，下面就以二分类的信贷模型为例，讲述信贷模型中，特征分析的详细步骤。（ps：以下“特征”和“变量”指的是同一个意思。）

1、单特征分析

有几种分析角度，分别观察不同方面

1.1、观察特征值的分布和对正负样本的区分能力

分为整体分析和分箱分析。

1.1.1 整体分析

在总体样本上，计算

缺失率

1、缺失率>90%并且未来依然会高缺失的变量

如果有业务含义：如果在某一类上的缺失率明显高于另一类，那么该特征的缺失值比较具有区分能力，可以考虑将该特征作为黑/白名单使用；
如果没有业务含义：直接剔除掉；

2、缺失率<=90%的变量，保留。训练时候，缺失值的处理方式如下

连续型变量：如果偏正态分布，用均值填充，可以保持数据的均值；偏长尾分布，使用中值填充，避免受异常值的影响（ps：编程上可以用sklearn.preprocessing中的Imputer实现）；如果缺失量比较大，不适合使用平均值填补，一般直接将缺失值填充为区别于其他正常值的默认值，比如-1；
离散变量：用众数、区别于其他正常值的默认值比如-1，进行填充；

极端值分析

1、可以通过画箱图，观察有无极端值；

2、除非是计算或者人为错误，极端值需要从业务层面进行分析：

分别计算“拥有极端值的那些样本中，label=1样本的占比R1” 和“拥有非极端值的那些样本中，label=0样本的占比R2”
如果R1和R2相差很多，则说明极端值有业务意义，建议保留，特别是从反欺诈的角度来分析一下

3、如果是计算或者人为错误，极端值的影响可以通过分箱被中和，对模型训练没有影响；

4、也可以将极端值设置成缺失值/空值&