筛选样本_智能风控（梅子行）笔记—用XGBoost进行特征筛选

本文参考下链 ，如果对数据集或书内更多更多讲解内容感兴趣，请直接购买

智能风控（原理，算法与工程实践）​www.amazon.cn

这篇手码了一遍梅子行在书中的递归筛选方案，梳理的框架上是这样的.

1. 首先定义了在风控场景下，特征迭代筛选和两个关键性指标：

• KS: 模型的正负样本体现的关键指标，这与普通学习任务中的针对AUC，Precision等的优化方向不一样，所以基本自己定义了一个评价指标。
• PSI: 模型各个在各个检测分段上的检测稳定性.

也就是区分能力要强，模型结果要稳定.

需要注意的是，我们在使用XGBoost的时候其实有自带一个Featureimportance功能（上一篇写xgboost有提到，分为weight, gain和cover三种不同形式），如果我们在入模之前没有对模型特征做相关性的处理的话，直接使用XGBoost进行特征筛选是不合理的. 我下面举个例子：

如果有两个特征的分布是像上图这样的，可以发现他们的相关性一定是差不多的，在XGBOOST用于分裂时2个特征肯定会被随机用来分树，那么这两个本身如果重要性比较高的话，特征的真正重要性就会丢失。

回到书中的内容，这节先定义了2个评估模型效果的函数

SolveKS：

用于计算当前模型在某数据集上的KS，KS值对模型的评价不会受到样本不均衡问题的影响.
这些函数都继承自之前XGBoost父类
注意这个函数还加了个Weight参数，这是为了还原真实样本比例下的比例，举个例子，正样本有100，负样本有10000，对负样本按照0.4的比例进行下采样，就会得到4000的负样本，对100的正样本和4000的负样本进行建模，但是需要将负样本的权重设置为2.5，才能还原到初始的正负样本的比例

def sloveKS(self, model, X, Y, Weight):  
    Y_predict = [s[1] for s in model.predict_proba(X)]  
    nrows = X.shape[0]  
    #还原权重  
    lis = [(Y_predict[i], Y.values[i], Weight[i]) for i in range(nrows)]
    #按照预测概率倒序排列  
    ks_lis = sorted(lis, key=lambda x: x[0], reverse=True)        
    KS = list()  
    bad = sum([w for (p, y, w) in ks_lis if y