关注
“
金科应用研院
”
，回复“
礼包
”
领取“
风控资料合集
”
文末还有惊喜小福利，记得看到底呦
随着金融科技的迅猛发展，数据驱动的风控手段在金融机构中扮演着越来越重要的角色。其中，决策树作为一种简单、高效、可解释性强的机器学习算法，被广泛应用于风控策略的挖掘和特征生成。本文将从实际案例出发，探讨如何利用决策树技术提升风控策略的效果。
决策树模型以树状结构直观地展示了决策路径，每个节点代表一个特征的判断条件，叶子节点则代表最终的决策结果。其主要优势包括：
-
可解释性强
：决策路径清晰明了，便于业务人员理解和分析。
-
数据预处理要求低
：对缺失值和异常值不敏感，减少了数据清洗的工作量。
-
适用性广泛
：既可处理分类问题，也可处理回归问题，灵活性高。
某金融机构希望通过挖掘现有客户数据，提高对逾期风险的预测能力。公司提供了客户的收入、贷款金额、还款金额、商品价格等多维度数据，以及是否逾期的标识。
利用客户的特征数据和逾期标识，构建一棵初始决策树。模型的目标是最大化节点的纯度，即使得同一叶子节点内的客户逾期情况尽可能一致。
在初始节点，逾期率为8.27%（5242个逾期客户 / 63355个总客户）。通过决策树的分裂，发现某些叶子节点的逾期率显著低于平均水平。例如，满足以下条件的客户群：
-
贷款金额 > 677,889元
-
还款金额 > 57,003元
-
收入 > 60,750元
在该叶子节点中，有1788个客户，其中只有52个逾期，逾期率仅为2.83%，远低于总体水平。
基于上述分析，可以制定一条风控策略：对于满足上述条件的客户，可以降低风险评估力度，甚至给予快速审批。这不仅提高了业务效率，还能有效控制风险。
通过这种方式，快速建立一系列风控策略，覆盖更多客户群体，提升整体风控能力。
除了直接挖掘策略，决策树还可用于生成新的特征，提升模型的预测能力。
1. 思路概述
利用决策树的分裂节点，将高阶非线性关系转化为新的特征。例如，某些组合条件下的客户风险显著增加，那么可以将这些条件编码为新的变量。
2. 实践案例
Step1：训练梯度提升决策树（GBDT）模型
GBDT集成了多棵决策树，能够捕捉复杂的特征交互关系。训练过程中，每棵树的结构和节点都有重要信息。
Step2：提取叶子节点编码
对于每个客户，让其通过训练好的GBDT模型，记录其在每棵树上到达的叶子节点。由于每个叶子节点代表了特定的特征组合条件，可以将这些节点编码为新的类别型特征。
Step3：将新特征加入模型
将提取的叶子节点编码作为新特征，加入到后续的模型训练中（如逻辑回归、深度神经网络）。这些新特征能够显著提高模型的预测性能。
3. 数据效果对比
