企业官网建设流程全解析

简介：面向银行客户逾期行为预测这一典型风控场景，提供一套可直接运行的Python机器学习毕业设计源码与完整数据。资源聚焦信用风险评估中的二分类问题，通过客户历史交易与属性数据构建预测模型，适合计算机、数据科学等相关专业学生用于毕业设计、课程设计、期末大作业，也适合希望掌握机器学习项目完整流程的实战学习者。压缩包内含10个文件，主要由CSV格式的训练集、测试集与提交样例，xlsx字段说明文档，以及3个可执行的Jupyter Notebook组成——分别完成用户逾期数据EDA探索、XGBoost+LR与GBDT+LR模型构建，此外还提供Python辅助脚本和txt使用说明，帮助用户快速了解数据结构、运行顺序与输出格式。整体压缩包约127.3MB，项目已经导师指导并通过严格调试，解压后按说明即可运行。当前已有229人学习，对准备答辩或沉淀建模经验者而言，是一份涵盖数据探索、特征工程、模型对比与结果提交的完整参考。

1. 银行客户逾期行为预测：不是堆模型，而是先解决“标签和特征”两件事

银行客户逾期行为预测，是风控领域出现频率最高的二分类问题之一。很多人拿到一份“python实现基于机器学习的银行客户逾期行为预测源码+全部数据.zip”时，第一反应往往是赶紧跑通模型、看AUC，但真正决定这套方案能不能落地价值的，是标签怎么定义、特征怎么对齐时间窗口、样本不均衡怎么处理。我在做信贷风控项目时，见过太多空有高AUC的模型上线后效果崩盘，也见过用简单逻辑回归配合好特征打平复杂模型的案例。下面的内容面向两类人：想用Python上手机器学习的初学者，以及需要把预测结果解释给业务方的分析师。我会按数据、特征、建模、评估、避坑的顺序，把实现路径和踩过的坑讲透。

2. 数据清洗与特征工程：逾期预测的胜负手在数据不在算法

2.1 拿到原始数据先做什么：缺失值、时间戳和标签构造

一份典型的银行客户逾期数据，通常包含客户ID、申请时间、年龄、收入、负债、历史还款记录、逾期次数、征信查询次数，以及一个“是否逾期”的标记。但直接把原始表丢给模型是跑不出好效果的。我一般先查三件事：缺失值分布、日期字段格式、标签的统计口径。

先看一段最小数据清洗代码：

import pandas as pd import numpy as np # 读取原始数据，gbk 是银行导出数据的常见编码 df = pd.read_csv('bank_customer_data.csv', encoding='gbk', engine='c') # 检查缺失率，超过 80% 的列先移出特征候选 missing_ratio = df.isnull().mean() drop_cols = missing_ratio[missing_ratio > 0.8].index.tolist() df.drop(columns=drop_cols, inplace=True) # 日期字段统一转成 datetime，后续特征都基于真实时间偏移 df['apply_time'] = pd.to_datetime(df['apply_time']) df['last_overdue_time'] = pd.to_datetime(df['last_overdue_time']) df['overdue_flag'] = df['overdue_flag'].astype(int) print(f"数据量 {df.shape[0]}，剩余特征数 {df.shape[1]}，逾期率 {df['overdue_flag'].mean():.4f}")

这段代码解决三件事：把缺失率过高的列先剔掉，避免后续填充制造噪声；把日期字段转成标准格式，因为计算“申请时间距上次逾期的时间差”依赖它；把标签统一成整数。参数上，encoding='gbk'是银行导出的常见编码，报错就换成utf-8或检查分隔符；engine='c'能加速大文件解析，遇到混合编码时需要换回python引擎。

提示：如果标签列直接用“历史上有没有逾期”，模型学到的就是过去而不是未来，务必先和业务方确认逾期观察窗口。

这里要强调一个常见误区：逾期行为预测里的“标签”，不能简单等于“历史是否逾期”。更常见的做法是设定某个观察点，看该点未来30天或90天是否发生逾期。如果原始数据的标签字段已经固化，你需要先重算。

# 原始数据里包含 obs_date（观察点）和 overdue_date（逾期发生日期） df['overdue_in_30d'] = ((df['overdue_date'] - df['obs_date']).dt.days <= 30).astype(int) # 观察点后超过30天的逾期不算当前窗口 df.loc[df['overdue_date'] > df['obs_date'] + pd.Timedelta(days=30), 'overdue_in_30d'] = 0

这段逻辑看着简单，却是整个逾期预测里最容易泄漏的地方：如果你用“已发生的逾期”去做特征，模型学到的其实是结果而不是预测。我一般动手前会先问业务方，逾期是首期逾期、滚动逾期还是自然人逾期，口径不一样，标签和特征就完全不一样。

2.2 特征工程：把信贷行为转成机器学习能吃的数值

特征工程是银行客户逾期预测收益最高的部分。常见做法是把特征分成客户基本属性、收入负债、历史行为、外部数据几类。对风控来说，比单列数值更有效的是“比率”和“差值”，因为额度、收入这些原始数字在不同客户间量纲差异太大。

# 基础特征：额度使用率、收入负债比 df['credit_utilization'] = df['loan_balance'] / df['credit_limit'] df['debt_to_income'] = df['total_debt'] / (df['annual_income'] + 1e-6) # 历史行为特征：距上次逾期天数、近6个月逾期次数 df['days_since_last_overdue'] = (df['obs_date'] - df['last_overdue_time']).dt.days df['overdue_count_6m'] = df[['overdue_m1', 'overdue_m2', 'overdue_m3', 'overdue_m4', 'overdue_m5', 'overdue_m6']].sum(axis=1) # 离散特征：学历、地区、申请渠道直接转 category cat_cols = ['education', 'region', 'channel'] df[cat_cols] = df[cat_cols].astype('category')

这些特征有效，是因为它们反映真实的偿债压力和行为稳定性：额度使用率高的人，往往现金流已经绷紧；距上次逾期时间越短，说明不良行为越近；近6个月多次逾期的人，大概率是“习惯性逾期”。参数上，1e-6用来防除零，也可以用np.finfo(float).eps。sum(axis=1)在列名匹配上要小心，一旦原始表里某个月份的列缺失，结果会静默偏小。

特征构造完，我会做一次“未来信息审查”：同一客户的多条申请记录里，如果obs_date不同，特征中不能混入后续发生的信息。否则就会制造机器学习的噪声数据，不是随机噪声，而是带有未来信息的伪特征，训练集指标好得出奇，上线立刻失灵。

2.3 样本不均衡处理：逾期样本太少时不要急着上SMOTE

银行客户逾期率通常只有2%到10%，这意味着训练集里正样本非常少。很多人第一反应是上SMOTE过采样，但实际做下来，SMOTE不是默认首选。过采样会让模型看到更多“人为凑出来的正样本”，在真实分布上未必有效，尤其在特征空间复杂、样本量少时，合成样本会放大噪声。

from sklearn.model_selection import StratifiedKFold from imblearn.over_sampling import SMOTE # 先在原始数据上建立分层交叉验证窗口 skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=42) # 只在训练折内做SMOTE，验证折保持真实分布 for train_idx, valid_idx in skf.split(X, y): X_train, X_valid = X.iloc[train_idx], X.iloc[valid_idx] y_train, y_valid = y.iloc[train_idx], y.iloc[valid_idx] smote = SMOTE(random_state=42, k_neighbors=5) X_train_res, y_train_res = smote.fit_resample(X_train, y_train)

这段代码的关键点有两个：用StratifiedKFold保证每一折正负样本比例与总体一致；SMOTE只作用于训练折，验证折绝对不能重采样。如果你先对全量数据做SMOTE再切分，验证集里混入合成样本，指标虚高，部署时立刻现原形。参数上，k_neighbors=5是默认值，正样本很少时调到3，避免跨类别噪声样本被强行连接。

那么什么情况下才适合SMOTE？我自己的标准是：正样本数量低于1000，或者模型在原始数据上几乎学不到正例特征时，先试过采样；但一定要同时观察精确率和召回率的平衡，而不是只看AUC。这个坑我在第5章还会展开。

2.4 用时间序列切分代替随机切分：避免未来信息泄漏

银行逾期数据本质上带时间戳，随机切分会把“同一时间段的人”同时分到训练和测试里，模型看到的是同一时期的客户画像，而上线后面对的是未来客户。如果宏观经济或政策变化，模型就会水土不服。所以处理数据阶段就要决定切分方式。

# 按 obs_date 排序，取前70%作训练、后30%作测试 df = df.sort_values('obs_date').reset_index(drop=True) train_size = int(len(df) * 0.7) train = df.iloc[:train_size] test = df.iloc[train_size:]

切分后，特征、标签的提取要严格分开：

feature_cols = [c for c in df.columns if c not in ['overdue_in_30d', 'overdue_date', 'obs_date']] X_train = train[feature_cols] y_train = train['overdue_in_30d'] X_test = test[feature_cols] y_test = test['overdue_in_30d']

这里最容易被忽略的是填充缺失值。如果你在切分前用全量mean()填充，测试集信息就泄漏给了训练集。正确做法是：

# 先用训练集计算填充值，再分别应用到训练集和测试集 fill_values = X_train.median() X_train = X_train.fillna(fill_values) X_test = X_test.fillna(fill_values)

按时间切分后，前面70%客户训练，后面30%客户模拟未来。训练集上计算的median()本质上来自历史，测试集只是拿到历史中位数去填充新样本，这才是合规的。

3. 建模与训练：从逻辑回归到提升树，跑通逾期预测的主流程

3.1 先建逻辑回归基线：理解系数比追求精度更重要

在搞复杂模型之前，先跑逻辑回归，有两个好处：一是能快速发现特征泄漏，逻辑回归对极端特征很敏感；二是业务方需要“可解释的分数”，逻辑回归的系数能直接讲故事。

from sklearn.linear_model import LogisticRegression from sklearn.preprocessing import StandardScaler # 数值列单独做标准化，类别列交给后续 one-hot num_cols = ['credit_utilization', 'debt_to_income', 'days_since_last_overdue', 'age', 'annual_income'] scaler = StandardScaler() X_train_num = scaler.fit_transform(X_train[num_cols]) X_test_num = scaler.transform(X_test[num_cols]) # 用逻辑回归训练基线 lr = LogisticRegression(max_iter=1000, C=0.1, solver='liblinear') lr.fit(X_train_num, y_train)

这里C=0.1对应更强的正则化，对高维稀疏特征和噪声特征有抑制作用。solver='liblinear'在样本量大、特征维度不高时更快，而且对L1/L2都支持。训练完，我会把系数和业务逻辑对照一下。如果某个特征系数是负数但业务上正相关，那就要考虑是不是存在特征泄漏或特征间互相矛盾。

当然，逻辑回归的问题也很明显：特征之间的非线性交互能力弱，比如“高额度使用率”和“近6个月逾期多次”同时出现时，风险不是简单相加。这时候需要更灵活的树模型。

3.2 用LightGBM提升效果：核心参数与早停逻辑

LightGBM是银行风控里最常见的机器学习模型之一，速度快，且能直接处理类别特征。下面是典型训练流程：

import lightgbm as lgb # 构造 Dataset，指定类别特征 lgb_train = lgb.Dataset(X_train, y_train, categorical_feature=cat_cols) lgb_valid = lgb.Dataset(X_test, y_test, categorical_feature=cat_cols, reference=lgb_train) params = { 'objective': 'binary', 'metric': 'auc', 'learning_rate': 0.03, 'num_leaves': 31, 'max_depth': -1, 'min_child_samples': 20, 'feature_fraction': 0.8, 'bagging_fraction': 0.8, 'bagging_freq': 1, 'lambda_l1': 1.0, 'lambda_l2': 5.0, 'verbose': -1 } model = lgb.train( params, lgb_train, num_boost_round=1000, valid_sets=[lgb_valid], callbacks=[lgb.early_stopping(stopping_rounds=100), lgb.log_evaluation(100)] )

参数说明：learning_rate=0.03配合num_boost_round=1000是常规搭配，让模型每步走小步，靠早停避免过拟合。num_leaves=31是单棵树的复杂度，对中小样本够用；min_child_samples=20防止叶子节点样本过少；feature_fraction和bagging_fraction是列采样和行采样，能显著减少过拟合；lambda_l1/lambda_l2是正则化，在银行小样本场景下建议都设上，否则特征重要性会被高维离散特征带偏。

训练完要看特征重要性，但不要只看默认的split次数。我一般把gain重要性排序后，和业务经验对照。比如“距最近一次逾期天数”排第一很合理，但如果obs_date本身排进前五，那说明时间泄漏了——观察点字段不应该成为预测因子。

3.3 用五折交叉验证替代直接训练测试：OOF分数更可信

直接使用默认参数训练LightGBM可以跑出不错效果，但要让模型稳定，我会用5折交叉验证来评估参数组合。原因是：单次训练测试切分的结果方差很大，正样本少时，某一折的坏样本分布偏移会误导你。

from sklearn.model_selection import StratifiedKFold from sklearn.metrics import roc_auc_score skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=42) oof = np.zeros(len(X_train)) for fold_idx, (tr_idx, va_idx) in enumerate(skf.split(X_train, y_train)): X_tr, X_va = X_train.iloc[tr_idx], X_train.iloc[va_idx] y_tr, y_va = y_train.iloc[tr_idx], y_train.iloc[va_idx] d_tr = lgb.Dataset(X_tr, y_tr, categorical_feature=cat_cols) d_va = lgb.Dataset(X_va, y_va, categorical_feature=cat_cols, reference=d_tr) fold_model = lgb.train( params, d_tr, num_boost_round=1000, valid_sets=[d_va], callbacks=[lgb.early_stopping(50), lgb.log_evaluation(200)] ) oof[va_idx] = fold_model.predict(X_va, num_iteration=fold_model.best_iteration) print(f"OOF AUC: {roc_auc_score(y_train, oof):.4f}")

这段代码输出的是 out-of-fold 预测结果oof：把每一折验证集的预测拼在一起，模拟“模型在没见过的数据上”的表现。后面第6章你会发现，OOF分数还能用来做阈值选择、计算业务指标。调参时，不要每次只看测试集AUC，而要比较OOF AUC，否则你在多次调参中等于在偷偷用测试集做选择，最终评估会偏乐观。

注意这里的np.zeros(len(X_train))需要提前保证X_train.index是连续的，如果前面有过筛选，建议先reset_index(drop=True)再开始，否则oof[va_idx]会错位。

3.4 调参顺序：先定学习率，再看叶子数和正则化

如果不追求极致精度，上面的参数已经够用。但如果你还想压榨一下模型，我建议按这个顺序调，而不是直接网格搜索全部参数。第一步固定learning_rate=0.05，跑num_boost_round=1000，看最优迭代数落在哪里；第二步调num_leaves，好的范围是 16~63，和max_depth联动，num_leaves增大的时候正则化也要跟着加大；第三步调feature_fraction和bagging_fraction，它们对过拟合影响最直接；最后才动min_child_samples和lambda_l2。每个参数单独调，不要一上来就并行网格搜，否则你根本不知道是谁在起作用。

4. 模型评估与可解释性：不要只看AUC，要算业务账

模型训练完，很多人习惯只看AUC，哪边高就选哪边。但银行风控模型是要算钱的，一个线上决策错误可能意味着几十万坏账。所以这一章我会逐项拆开：混淆矩阵、KS、SHAP、阈值和PSI。每个都对应着一个上线前必须回答的问题。

4.1 混淆矩阵与KS：风控场景更该看哪些指标

在风控界，AUC不是业务最关心的。一个逾期率3%的产品，如果模型把几乎所有客户都预测为“不逾期”，AUC也可能有0.7以上，但真正能过滤坏客户的阈值完全没有。所以我会先看混淆矩阵，再看KS、精确率、召回率。

from sklearn.metrics import confusion_matrix # 拿到LightGBM在测试集上的预测概率 prob = model.predict(X_test, num_iteration=model.best_iteration) # 先看默认阈值0.5下的表现 pred_label = (prob >= 0.5).astype(int) cm = confusion_matrix(y_test, pred_label) tn, fp, fn, tp = cm.ravel() precision = tp / (tp + fp) recall = tp / (tp + fn) print(f"精确率: {precision:.3f}，召回率: {recall:.3f}")

这里有一个非常关键的认知：在逾期率只有5%的数据上，0.5阈值几乎没有意义。你需要根据前5%、前10%的坏样本占比去选阈值。KS统计量是累计正例比例和累计负例比例的差，能直观反映模型区分好坏客户的能力。一般风控认为KS在0.3以上可用，0.4以上算优秀，但要结合逾期率看，逾期率极低时KS很难冲高。

计算KS的代码很短，但要注意排序逻辑：

def ks_statistic(y_true, y_prob): df = pd.DataFrame({'y': y_true, 'prob': y_prob}).sort_values('prob') df['cum_bad'] = (df['y'] == 1).cumsum() / (df['y'] == 1).sum() df['cum_good'] = (df['y'] == 0).cumsum() / (df['y'] == 0).sum() return (df['cum_bad'] - df['cum_good']).max() print(f"KS: {ks_statistic(y_test, prob):.3f}")

sort_values('prob')默认升序，累积差最大值出现的点就是模型区分能力最强的分数切点。如果 KS 很低，先不要调参，回去检查特征和标签口径，十有八九是特征没有对齐观察点时点。

4.2 用SHAP解释模型：为什么这个客户被判逾期

银行风控模型上线后，一定会被问：“为什么拒绝这个客户？”答案不能是“模型分数低”。SHAP是一种解释树模型的方法，能给出每个特征对单个样本预测的贡献。处理“黑匣子”问题，关键是先让业务方看到特征方向是否合理。

import shap # LightGBM模型用TreeExplainer explainer = shap.TreeExplainer(model) shap_values = explainer.shap_values(X_test[:1000]) # 取一个被预测为高风险的样本做解释 idx = 5 shap.force_plot(explainer.expected_value, shap_values[idx], X_test.iloc[idx])

TreeExplainer速度快，但对超大规模数据要小心内存。如果你只需要解释单个样本，可以直接传入一行数据，不必对所有测试集计算。SHAP值加起来等于模型的输出概率（经过logistic转换），因此能说人话：“该客户年收入5万，贡献了+0.12的逾期概率；近6个月逾期3次，贡献了+0.25；总评分从基准0.08上升到0.45。”

注意shap_values在某些LightGBM版本里返回的是一个 list（类别数=2），如果你取shap_values[1]才是正类方向的贡献。新版 shap 更推荐直接用shap_values = explainer(X_test)对象接口。

4.3 阈值选择：从模型分到决策规则的落地方法

模型输出概率，不是最终决策。你要和业务方一起定一条线：线之上拒绝客户，线之下通过客户。此时要算两笔账：漏过的坏账损失，误拒的好客户流失收益。下面是一个简化版本的成本计算。

from sklearn.metrics import confusion_matrix # 每个逾期客户的平均坏账损失 cost_bad # 每个好客户的平均利润 profit_good # 在网格上搜索最优阈值，让净收益最大 thresholds = np.arange(0.05, 0.5, 0.05) best_t, best_profit = 0, -np.inf for t in thresholds: pred = (prob >= t).astype(int) tn_, fp_, fn_, tp_ = confusion_matrix(y_test, pred).ravel() net_profit = tp_ * profit_good - fp_ * profit_good - fn_ * cost_bad if net_profit > best_profit: best_t, best_profit = t, net_profit print(f"最优阈值: {best_t:.2f}，净收益: {best_profit:.2f}")

这里我故意把公式简化：通过的好客户产生的收益去抵拒绝错杀的损失，逾期客户直接按坏账扣除。实际项目里，你应该把产品利率、催收成本、资金成本都放进去。关键是，别直接拿0.5当决策线，而是在概率上搜索业务收益最大的线。搜索步长0.05够用，样本量大时可以加密到0.01。

4.4 上线前最后一道检查：PSI群体稳定性指标

模型上线后不是一劳永逸。银行客群会随宏观环境变化，特征分布也会漂移。PSI（人群稳定性指数）衡量训练集和上线后实际客群的特征分布差异。当PSI超过0.25时，就该重训模型。

# 简化版PSI计算，按十分位数分组 def psi(expected, actual, bins=10): expected_percent = np.histogram(expected, bins=bins, range=(0, 1))[0] / len(expected) actual_percent = np.histogram(actual, bins=bins, range=(0, 1))[0] / len(actual) psi_value = np.sum((actual_percent - expected_percent) * np.log(actual_percent / expected_percent + 1e-6)) return psi_value # 用训练集OOF概率作为expected，最新一批客群预测结果作为actual psi_score = psi(oof, prob_new_data) print(f"PSI: {psi_score:.3f}")

注意，log里加1e-6避免某一区间概率为0时爆掉。实际项目中我会对每个关键特征单独算PSI，而不是只算分数PSI。如果一个特征分箱跨月份剧烈变化，即使模型总AUC没跌，也要排查是不是数据采集口径变了。这一步能提前发现模型悄悄失效的苗头。

5. 逾期预测最容易交学费的5个坑：现象、原因与解决办法

下面这5个坑，每一个都有人在这类项目里真金白银交过学费。我按现象、原因、解决三步写，方便你直接对照排查。

5.1 训练集AUC很高，上线后却失灵

现象：训练集AUC 0.95，OOF AUC也有0.9，但上线后每天的实际逾期命中率只有原来的三分之一。

原因：最常见的是时间泄漏。比如原始数据同时存在“申请时刻的负债”和“申请之后才发生的还款记录”，特征工程时把后者也当成已知值；或者标签定义里直接把未来30天逾期结果当成了特征筛选依据。

解决：回到特征构造阶段，逐列问一句话“这个字段在观察点obs_date当天能不能查到”。不能查到的列全部删掉。然后用按时间排序的切分重新训练，并用最新一批客群做回测。排查时可以先打印特征重要性和相关系数：

# 检查关键泄漏嫌疑字段和标签的相关性 leak_cols = ['repay_amount_latest', 'account_balance', 'total_overdue'] for col in leak_cols: if col in df.columns: corr = df[col].corr(df['overdue_in_30d']) print(f"{col}: {corr:.3f}") # 如果相关性超过0.3，大概率是泄漏，需要回到特征表确认时点

一个正常行为特征和标签的相关性很少能到0.3，除非它本身就是未来结果。比如“已还款金额”和“未来是否逾期”高度负相关，这在逻辑上就不对，因为观察点当天你不可能知道客户后面还了多少钱。如果时间回溯困难，至少用obs_date做分组切分，避免同一时期客户同时落在训练和验证里。

5.2 SHAP解释里出现了“未来余额”这种变量

现象：业务方看SHAP图时突然说：“不对啊，这个客户的余额是上个月才变的，模型怎么用到了？”

原因：特征工程把多个时间点的记录横向展开了，但没对齐观察点。比如客户最新余额取的是整张表的最新一条记录，而不是obs_date当天及之前的最后一条，于是未来信息混进特征。

解决：在构造“最新值”类特征时，要按obs_date做截断。用 pandas 的merge_asof可以处理：

# 使用 merge_asof 找到每个客户在 obs_date 当天的最新余额 merged = pd.merge_asof( df.sort_values('obs_date'), balance_df.sort_values('date'), left_on='obs_date', right_on='date', by='customer_id', direction='backward' )

merge_asof的direction='backward'表示取观察点之前最近的一条记录，天然排除了未来数据。这个逻辑最好写成一个通用的“特征时点对齐函数”，把每一张流水表都在obs_date处截断，而不是简单取最新。过程虽然麻烦，但能避免绝大多数黑匣子翻车。上线前再抽查10个被拒绝客户的SHAP图，让业务方一起确认特征方向，比事后解释诚实得多。

5.3 SMOTE后在真实场景反而变差

现象：用了SMOTE，训练集精确率漂亮，但在测试集上精确率直接掉一半，而且是莫名其妙地掉。

原因：先在全量数据上做SMOTE再切分，或者对验证集也做了过采样。SMOTE合成样本在特征空间里连接了两个相邻样本，如果验证集里也有合成样本，模型等于“见过答案”。

解决：只对训练折做SMOTE，验证折保持真实分布。更简单的是先不用SMOTE，改用scale_pos_weight。在LightGBM里这样设置：

params['scale_pos_weight'] = (y_train == 0).sum() / (y_train == 1).sum()

这个参数的含义是让模型在计算损失时，把少数类的权重放大到与多数类接近，不需要人为生成样本。实际项目里，scale_pos_weight的效果通常比SMOTE稳定，因为它不会改变特征空间的真实分布。如果用了SMOTE，也要用原始分布的数据做OOF验证，否则你看到的所有指标都不可信。

5.4 LightGBM训练速度极慢，而且每次结果波动大

现象：同一个params，换一次随机种子，特征重要性前几名就变了，训练时间也从10分钟跳到40分钟。

原因：num_leaves调得太大，min_child_samples太小，导致树又深又碎；或者类别特征没有声明成category，LightGBM还在按数值处理，白白增加计算负担。

解决：先用小数据集跑通，固定随机种子。给一组保守参数：

params = { 'learning_rate': 0.05, 'num_leaves': 31, 'min_child_samples': 50, 'feature_fraction': 0.7, 'bagging_fraction': 0.7, 'bagging_freq': 1, 'random_state': 42, }

类别特征在lgb.Dataset里用categorical_feature显式声明，并且确保类别列是全数值编码，比如0、1、2，而不是字符串。字符串类别会让LightGBM报错，或者在自动转换时变成无意义的数值。调参时，一次只动一个参数，每轮都看OOF AUC和训练时间，免得两个参数互相影响，最后分不清是谁在起作用。

5.5 模型分数和业务通过率对不上

现象：模型预测的逾期概率平均是0.08，但实际业务里逾期率只有0.03，模型分数明显抬高。

原因：训练集的标签口径和业务口径不一致，比如训练集把“宽限期后还款”也标成逾期，而业务方的逾期定义是“逾期90天以上”；或者训练集来自一个高风险的测试客群，和目标客群分布不同。

解决：和业务方重对齐标签口径，重新筛选训练样本。然后计算分数PSI和关键特征PSI，定位哪一个特征分布偏移最严重。下面是一个快速PSI核对方法：

def psi(expected, actual, bins=10, min_value=1e-6): expected_percent = np.histogram(expected, bins=bins, range=(0, 1))[0] / len(expected) actual_percent = np.histogram(actual, bins=bins, range=(0, 1))[0] / len(actual) return np.sum((actual_percent - expected_percent) * np.log((actual_percent + min_value) / (expected_percent + min_value))) # 对比训练集OOF分数和10月份上线客群分数 month_score_psi = psi(oof, october_scores) print(f"10月客群PSI: {month_score_psi:.3f}")

如果分数PSI大于0.25，基本可以确认客群变了，模型必须重训。如果只有某个特征PSI高，比如收入分布变了，可以只对这个特征做分箱校准，不一定全量重训。这里的分箱要和训练时保持一样，否则算出来的PSI没有可比性。

6. 用OOF分数做最后的验证：三个动作和一个调参技巧

训练阶段的oof分数不要扔，它是你最后一个能诚实的评估依据。我先做三件小事：用OOF选阈值而不是测试集；做特征稳定性检查；最后用全量数据加早停迭代轮数再训练几轮。

# 用OOF分数选阈值，避免反复使用测试集导致评估失真 best_t = select_threshold_by_profit(oof, y_train, thresholds=thresholds) print(f"OOF最优阈值：{best_t:.2f}") # 全量数据上继续训练，轮数在早停最优迭代基础上增加20 final_model = lgb.train( params, lgb.Dataset(X_train, y_train, categorical_feature=cat_cols), num_boost_round=model.best_iteration + 20 )

这段代码里，select_threshold_by_profit是你在4.3节里写的那个函数，直接用OOF结果调用。为什么不用测试集选阈值？因为你一旦在多次调参中用测试集选阈值，测试集就不再代表“没见过的数据”，最终上线评估会偏乐观。OOF是从5折交叉验证拼出来的，每个样本的预测都来自没有见过该样本的模型，用它选阈值更稳。

第二个动作是特征稳定性检查。上线前把训练集按月份拆成两半，分别计算每个特征的均值和方差，再和最近一批线上数据对比。如果某个特征在线上缺失率超过训练时的5%，多半是上游数据源出了问题，要在规则里先拦截。第三个动作是固定随机种子：LightGBM的bagging_fraction和feature_fraction依赖随机数，不固定random_state，你每次训练得到的特征重要性排序都不同，业务方会怀疑模型不稳定。

最后一个技巧是在全量训练时，用交叉验证得到的最佳迭代数加20到50轮。全量数据比验证折更多，模型还能再收敛一点；但加太多就会过拟合。我一般加30轮，然后在测试集上验证一次，如果没有明显掉点就保留。

我个人的血泪教训是：在逾期预测项目里，真正拉开差距的往往不是模型选了LightGBM还是XGBoost，而是标签口径和特征时点。源码和数据包只能让你跑通流程，能不能落到真实场景，取决于你有没有花足够时间做时间序列切分和PSI校验。希望帮到你。

本文还有配套的精品资源，点击获取