ML：机器学习模型的稳定性分析简介、常见的解决方法之详细攻略

ML：机器学习模型的稳定性分析简介、常见的解决方法

1、增强稳健性的通用方法

(1)、加入噪声数据—加扰动：比如在图像识别场景中，训练CNN识别图片时，常用的数据增强技术包括选择、拉伸、增加白噪声等方法。而在风控场景里，由于数据一般都是标签不平衡的(一般5%左右的bad rate)，我只SMOTE方法来对bad的部分进行upsample。SMOTE方法通过对bad的部分加扰动，产生新的数据，这样就能平衡训练集中的各标签比例。

(2)、使用统计特征：比如，在2000年逾期5000元，是很严重的事件，意味着高风险；但2022年逾期5000元，却是低风险的。所以，如果只用金额数据，模型的预测往往不够精准。此时，可以利用统计特征来代表实际值。例如使用Z-Score，z的绝对值值越高，代表他和其他客户的差异越大。

风控领域由于对解释性有一定要求，所以很难使用神经网络等深度学习模型。

2、提高模型稳定性—适合泛线性模型(如逻辑回归)—幅度过大的变量进行分箱处理

对于逻辑回归模型，单个变量的变动会影响模型的输出，而且这种影响是线性的。这会造成两个因素影响稳定性，

问题

(1)、某特征样本的数值变化幅度过大，对最终输出结果影响会较为剧烈：例如我的模型其中一个特征是逾期金额，逾期10元和逾期20元对于银行来说都是小事，但在模型的某一项里，影响是双倍的。

(2)、对outlier值处理，比较复杂

解决方案

采用分箱技术→如WOE编码变换→来提高模型的稳定性：采用WOE编码后，(1)、比如，把小于100元的样本都被分到一个组，那么欠银行1元和99元都是一样低风险；

(2)、比如，把outlier值的样本，会自动转换成变成分箱的最左或者最右的那一类。例如我们的客户里年龄最大的不到100岁，那么我们可以每10岁设置一个分箱，变为[-∞，10],[11,20],....[90,+∞]十个分箱。

3、提高模型稳定性—适合基于树的模型—降低过拟合

3,1、基于树模型的2个天然优势

(1)、自带的自动分箱理念：由于树的split是基于阈值的，即相当于进行自动分箱，这也是基于树模型的好处之一。

(2)、基于树的模型，一般对数据的波动不敏感：数据分布发生微小偏移时，仍能表现稳定。比如决策树，数据的准备往往是简单的甚至是不必要的。

3.2、降低树模型的过拟合问题

但是，使用单棵决策树容易过拟合。为了防止过拟合我们一般会：

(1)、使用单棵决策树顺丰需要修剪枝叶技巧：但是这种方法，需要大量的分析与尝试，所以大多数人，很少使用单颗决策树作为ML模型。

(2)、使用随机森林算法：三个臭皮匠顶过一个诸葛亮，RF在解决回归问题时，并没有像它在分类中表现的那么好，这是因为它并不能给出一个连续的输出。

(3)、使用XGBoost算法：Kaggle比赛中的利器，XGBoost具有非常好的非线性拟合能力，以及对超参数的鲁棒性。但依赖统计特征，特征的准备需要积累一定周期才有足够置信度，比如一年的数据量。

其实，无论稳定性做得多好，模型总有效用递减的时候。下一步就是要如何实现模型监控。