研習社話題N：
問題：信用模型的因變量如何修復？或者說如何更好的確定Y變量？
解釋：已經定義了Y，但是模型效果一般，或者說在逐漸變差，所以在想辦法重新定義。
原因：模型上線后，效果一般，效果一般的表現是什么？問題出在哪里？除了Y的定義，還有哪些可能存在的原因？
探究：模型效果的評估指標及調優方法？業務中的Y的定義方法。

下面，我們開始今天的分析：

先看幾個概念：

??1、score_cutoff及pass_rate%
??2、cutoff以上各分段區間的sample_amount，pre_bad_rate%和real_bad_rate%以及model_error

舉個例子：

??可以看到，假如我們我們的cutoff閾值設置為500分，模型各分段預測違約概率隨分值的增加而降低，實際業務中模型表現情況也基本符合這個規律。但是，模型的實際效果，要比預測效果差不少，model_error基本在5%以上，說明：我們模型的整體預估能力出了問題，而不單單是某個分段?；诖?#xff0c;我們可以從如下幾個角度出發，分析造成違約升高的因素，從而找出對應的調優方法。

角度1：
外部因素變化
??1）經濟環境變差 2）政策導向變化 3）放貸環境受影響 4）銀行或機構本身產品結構調整 5）進件渠道發生變化
??6）其他因素
分析方法：
??1）經驗，外部環境、管理部門、運營部門、貸后部門、催收部門，反饋
??2）量化，表現為用戶整體評分并無下降，各區間分布也較為合理，Pass_rate%正常，但貸后表現異常。

角度2：
樣本特征X分布發生變化
??具體表現為，樣本個別或多個特征整體分布發生變化，原因可能為進件用戶結構隨外部環境等因素影響而發生變化。結果為進件評分整體評分升高或降低，或者區間評分升高或降低。若整體評分降低，通常風控經理會降低cutoff，為滿足通過率的要求，這就導致本來部分低分用戶，也得到了審批。若整體評分升高，通常風控經理會降低cutoff，導致部分好用戶會被等同降級處理。
??最終的結果都表現為，逾期率的提升。
分析方法：
??1）PSI觀察Y值是否穩定
??2）PSI觀察各樣本特征X的分布變換是否穩定，另外檢測其正態性和相關性是否發生漂移。

角度3：
label特征Y定義出現問題
??通常，銀行業務中，定義壞樣本選M3,也就是逾期超過90天；機構分期業務，通常選取FPD30或者PDM（最大逾期天數）；單期小額現金貸業務，通常選擇PD10~PD30；極個別業務，會選擇PD3甚至PD1。我們訓練模型前，具體label特征Y定義方法的選擇，需要結合業務經驗和賬齡分析、貸后催回表現等因素的綜合評定。

（數據為非真實數據）

??我們可以看到，Y的選擇不同，正負樣本占比即不同，樣本區間分布便不同。因此，如果Y的定義不合理，會影響到評分卡的效果。如果數據在訓練集、測試集、驗證集的表現都不錯，但是實際投產后出現問題，出去經濟政策環境和業務環境發生變化的原因外，很有可能是Y選取不合適導致樣本質量發生偏移的結果。

??綜上，我們就可以理解：一般機構業務定義Y，通常選PD10~PD30左右，時間不短，也不會太長。時間太短，模型中會將非常多正常樣本的信息誤認為壞樣本信息而去學習；時間太長，許多壞樣本的信息學習就不完整，另外模型調優的周期也會被動拉長。

??因此，我們也可以理解，為什么銀行一般不用或少用較為復雜的評分卡模型，殺雞用牛刀的方式，少用。

??現在回到文章開始時的幾個問題：

??總結如下：當模型效果表現一般時，我們通常需要從多個角度出發考慮問題，采用經驗加分析的方法。將影響Pass_rate%和bad_rate%的因素排查定位到①環境、②X、③Y，進而進一步排查分析具體原因。

??由此，我們也可以得出教訓，在模型開發過程中，需要不斷去通過PSI、Pass_rate%、bad_rate%、混淆矩陣等方法去分析樣本特征的預測性、穩定性，以及Y定義的合理性。這樣，會盡可能的避免模型上線即失效的尷尬局面。

---

??對數據分析、機器學習、數據科學、金融風控等感興趣的小伙伴，需要數據集、代碼、行業報告等各類學習資料，可添加微信：wu805686220（記得要備注喔！），也可關注微信公眾號：風控圏子（別打錯字，是圏子，不是圈子，算了直接復制吧！）

關注公眾號后，可聯系圈子助手加入如下社群：

• 機器學習風控討論群（微信群）
• 反欺詐討論群（微信群）
• python學習交流群（微信群）
• 研習社資料（qq群：102755159）（干貨、資料、項目、代碼、報告、課件）

相互學習，共同成長。

總結

以上是生活随笔為你收集整理的【模型迭代】模型迭代的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。