由于幸存者偏差，导致强变量在后续迭代中逐渐削弱甚至相反怎么办|文末有福利

解析：

幸存者偏差（SurvivorshipBias）与样本不均衡（Imbalance Learning）问题都是由于风控模型的拒绝属性导致的。但表现形式略有不同。幸存者偏差是指，每次模型迭代时，使用的样本都是被前一个模型筛选过的，从而导致的样本空间不完备。

其实主要是添加负样本的问题。简单一些可以直接用增量学习，效果更好的是迁移学习和半监督学习。比如用GAN网络产生新样本，对齐现有样本和旧的历史样本的分布，然后进行建模。


文末免费送电子书：七月在线干货组最新 升级的《名企AI面试100题》免费送！

解析2

• 1、什么是幸存者偏差效应？

幸存者偏差（Survivorship bias），另译为“生存者偏差”或“存活者偏差”，是一种常见的逻辑谬误，意思是只能看到经过某种筛选而产生的结果，而没有意识到筛选的过程，因此忽略了被筛选掉的关键信息。

通俗地说，当我们取得资讯的渠道仅来自于幸存者时（因为死人不会说话），资讯可能与实际情况存在一定的偏差。

这一规律也适用于金融和商业领域。存活下来的企业往往被视为“传奇”，它们的做法被争相效仿，而其实有些企业也许只是因为偶然原因而幸存了下来。

幸存者偏差在日常生活也中十分常见，比如：

很多人得出“读书无用”的结论，是因为看到有些人“没有好好上学却仍然当老板、赚大钱”，却忽略了非常多的因为没有好好上学而默默无闻，甚至失魂落魄的人；

又比如你可能听到朋友推荐某个“偏方”说他的亲戚用这个偏方治好了重疾，但实际上这个偏方到底治好了多少比例的人，有多少人用了这个偏方没有痊愈却没有人知道……

福利↓↓福利↓↓福利↓↓

价值千元【金融风控实战 特训】限时0.01元秒杀！！

课程链接：https://www.julyedu.com/course/getDetail/270

• 2、金融风控中的幸存者偏差效应

广义的幸存者偏差用统计学的专业术