人工智能算法建模稳定性 掘金学习记录

建模流程中，非常重要同时又容易被大家忽视的一个环节就是稳定性问题。建模过程中的稳定性，一般包括特征稳定性和模型稳定性。

1）特征稳定性

        关注该特征的取值随着时间的推移会不会发生大的波动。这一点需要在建模之前完成，从一开始就避免将那些本身不太稳定的特征选入模型。通常采用PSI（PopulationStability Index，群体稳定性指数）指标评估特征稳定性。

2）模型稳定性

        模型稳定性涉及的东西比较多，需要根据模型的具体应用方式选择性进行关注。通常，模型PSI是必须关注的一个指标。

需要的增强稳定性操作：

1 消除波动性

对于二分类模型，在实际业务中通常会直接拿着prediction_prob去用。例如，对于某个风险识别场景，根据prediction_prob对用户进行准入或拦截（假如设定阈值为0.6，则prediction_prob小于0.6的用户被拦截，不小于0.6的用户被准入）。

为了消除double型可能带来的波动性，可以将小数映射为整数再使用，我们将这个过程称为Rank。具体要将0~1的小数值映射到1~10还是1~100亦或是1~1000的整数区间，完全取决于应用场景对这个数值的精细化程度。（例如，某信用风险模型在10月份对用户小C的打分为0.61，在11月份的打分为0.69（假如打分的差异仅仅因为该用户在双11期间疯狂买买买所致，而事实上短暂性的买买买并不应该对用户的信用风险评估造成影响），如果映射为1~10的整数区间后，连续两个月份的打分都