金融欺诈比赛与序列模型特训 [金融就业班预习课之一]

这门课的名字里有“比赛”两个字，不是随便加的。它围绕的是 IEEE-CIS 欺诈检测那场 Kaggle 二分类赛——数据来自真实电商交易，字段多、噪声大、正负样本极不均衡。如果你之前只跑过 Titanic 或房价预测，直接上手这份数据大概率会卡在第一步：不知道该拿哪些列建模。

所以这篇导读不打算给你列资料清单，而是先说清楚：这门课在补哪一段能力缺口，以及学完之后你应该能独立回答哪些问题。如果你发现自己对下面这几个问题大多答不上来，那这门课值得花时间；如果已经能答得八九不离十，可以先跳过，去做更难的序列建模任务。

缺口一：面对一张宽表，不知道怎么下手

IEEE-CIS 的数据不是干净的几十列，而是几百个匿名特征，包含 C 开头的计数列、D 开头的时序增量列、M 开头的匹配标志列，还有 V 开头的 Vesta 工程特征。新手常见做法是全部塞进模型跑一遍，结果 AUC 上不去、特征重要性也看不出所以然。

课程里评分卡这一部分，处理的正是这种“先做减法”的能力：怎么判断哪些列该保留、哪些列该按缺失率砍掉、哪些列需要做聚合再进模型。你会动手做的是特征筛选与分箱，而不是调参调一下午。

缺口二：欺诈检测里，准确率是个骗人的指标

这份数据正样本比例大约在 3.5% 左右，如果模型把所有交易都判为正常，准确率也能到 96% 以上——但这样的模型毫无用处。课程会把评估指标这件事讲透：为什么这里要看 AUC 和 PR-AUC，为什么召回率在某些业务场景下比精确率更重要，以及阈值该定在哪里才对得上业务成本。

学完之后，你至少要能回答：给一个欺诈检测模型，除了 AUC 还该看什么？如果漏判一笔欺诈的代价远高于误判，阈值应该往哪边调？

缺口三：只做过静态表格，没碰过序列

评分卡解决的是“这一笔交易像不像欺诈”，序列模型解决的是“这个用户最近的行为模式是否异常”。课程后半段引入序列建模，把同一张卡、同一设备、同一邮箱的多次交易串起来看。这一步才是这门课真正的分水岭——很多人做欺诈检测就停在单条记录分类，做不出时间维度上的特征。

你会在练习中体会：怎么按实体分组、怎么构造滑动窗口统计量、序列长度不齐时怎么处理。这些操作在通用机器学习课里很少专门讲，但在金融风控岗位里是日常动作。

配套练习与自测问题

• 用缺失率、单值占比、与标签的相关性三轮筛选，把原始特征砍到可解释的数量级，并说明每一轮砍掉了什么。
• 对至少三个 C 类计数特征做分箱，对比分箱前后逻辑回归的 AUC 变化。
• 构造一组基于时间窗口的聚合特征（如某卡过去 1 小时交易笔数），验证它对模型有没有增益。
• 在同一份验证集上，把评分卡模型与序列模型的预测结果做一次误差对比，找出两者判断分歧最大的样本，逐条看原始记录。

如果你能独立完成上面四步，并且说得清每一步为什么这么做，这门预习课的目标就达到了。它不是让你刷一个高排名，而是让你在进入金融就业班正课之前，先把“表格建模 + 序列建模 + 不平衡评估”这三块补齐。缺哪块补哪块，别假装自己都会。