4.1.1　如何定义Y

万事开头难，机器学习同样如此。本节内容属于模型设计的范畴，需要重点指出的是，样本定义极具业务技巧，尤其对于有监督学习。样本的定义是需求的直接映射，可以说样本的定义决定了项目的成败，需要对需求进行深度的分析、解读、研讨。样本定义需要综合考虑如下几点。

·样本定义是否满足业务目标。

·样本的获取难易度及成本。

·不同定义下的样本量是否足够。

·正负样本是否过于不平衡。

·目标值是否要具有一定的区分度以便算法学习等。

·数据集之间尽量满足分布一致性，使噪声尽可能少。

样本的定义将影响后续数据处理、算法选择等节点。下面以有监督学习为例，说明两种常见目标变量Y的定义方法。

第一个常见例子是网络节目点击率预估中的样本定义，要求针对用户定义喜欢的节目和不喜欢的节目。喜欢可以从如下方面判断：用户播放的节目、顶和踩的喜好标注，以及评论、分享、收藏或下载节目。不喜欢可以从推荐展示过但用户一直没有播放或收藏等行为来判断。基于获客最大化需求，重点关注用户喜欢节目的样本定义。此处假设所有样本已经存于数据库（忽略获取难易度和成本的考虑），所以只考虑样本量和正负是否平衡的问题。比如，用户播放过的节目只取最近一个月或半年，还是所有播放历史？是否考虑播放时长或以多长时间作为阈值（那些播放时长只有几秒钟的情况，我们有理由说是误点）？评论可以是正面、负面或中性评论，对于中性评论要慎重考虑或排除在建模样本之外。用户播放后是分享还是推荐给他人？前者有理由相信用户喜欢，后者则不确定，可能需要排除在建模样本之外。

另一个典型的例子是金融信贷行业对用户好坏的定义。这类场景具有清晰的时间属性，比如银行向客户发放一笔12期的贷款，客户逐月还款。该场景下申请评分模型的建模需求表述为：未来一段时间（如4个月）客户出现违约（如至少一次30天以上的逾期）的概率。

模型设计阶段需要解决样本定义的问题是：定义多长时间内客户逾期多少天为坏用户，其隐含的目标是坏用户尽可能坏，好用户尽可能好，这样便于算法学习。这是一个二维组合的优化问题，如表4-1所示，假设最终定义为4个月内逾期30～60天为坏用户（以下数据纯属虚构）。

表4-1　二维目标定义示意表

依据行业经验的做法是在每个维度上独立分析。对“逾期天数”维度使用滚动率（Roll Rate）分析，其中每个单元格表示由上一风险等级滚动到下一风险等级（迁徙率），“<=60”天的贷款有超过85%滚动到下一级，定义逾期小于60天时风险区分明显，如表4-2所示。

表4-2　滚动率示意表

注意：此处示例以每月来分析，只是为了读者更好地理解其含义。更为常见的做法是看总体样本，在各逾期情况下滚动到下一等级的占比。

对“多长时间”维度使用的账龄（Vintage）分析。按上述30～60天固定后，查看每个放款月后续每期逾期率的表现，将曲线达到平稳时的表现时长定义为表现期，示意图为第4期（MOB4），如图4-3所示。

图4-3　Vintage示意图

账龄（Vintage）一词源于葡萄酒酿造行业，葡萄酒的品质会因葡萄采摘的年份和气候不同而不同。Vintage分析评估不同年份葡萄酒的品质随窖藏时间的推移而发生变化，当窖藏一定年份后，其品质会趋于稳定。对应到信贷用户来说，较短的时间不足以判断用户的好坏，好坏用户需要有足够的暴露时间，比如某用户第一期忘记还款，经提醒后，逐渐养成了良好的还款行为，如果过早下坏用户的定论则有失偏颇。

从以上分析方式可得出如下结论：滚动率从行为维度（逾期、还款）刻画了用户的好坏，账龄分析则从时间维度衡量用户好坏。当然，以上只是从方法论上说明了好坏定义的方法，实践中可以变通，比如业务开展初期，样本量不足，表现期不够，此时可以使用首逾7天、15天等定义为坏用户，或考虑制定规则进行人工标注，并在后续持续改进和修正，这些就是技术之外的业务经验。另外，根据进一步分析可能将7到60天的逾期样本定义为中间样本，运营活动上一些特殊时段的样本等可考虑排除在建模样本之外。从机器学习的角度看，这些灰色样本可视为噪声。逾期时间小于7天即为好用户，至此好坏用户定义完毕。总之，实践中要综合考虑上述几点进行参考。

以上只是信贷行业申请评分模型定义的简单描述，实际还有很多的注意事项，这属于具体的业务范畴，此处不再过多描述。另外，信贷行业行为评分和催收评分定义方式类似，但稍有区别，还有其他有意思的样本定义方式，例如拒绝演绎，感兴趣的读者可自行查阅相关资料。