2025年征信考試-信用評(píng)分模型在金融信貸業(yè)務(wù)中的應(yīng)用試題考試時(shí)間：______分鐘總分：______分姓名：______一、選擇題（本部分共25小題，每小題2分，共50分。每小題只有一個(gè)正確答案，請(qǐng)將正確答案的序號(hào)填涂在答題卡上。）1.在征信報(bào)告中，哪一項(xiàng)信息通常被認(rèn)為是最能反映個(gè)人還款意愿的指標(biāo)？（A）A.按時(shí)還款次數(shù)B.逾期還款次數(shù)C.賬戶余額D.信用查詢次數(shù)2.信用評(píng)分模型中，邏輯回歸模型的主要優(yōu)勢(shì)是什么？（B）A.能夠處理大量非線性關(guān)系B.計(jì)算效率高，易于解釋C.對(duì)異常值不敏感D.適用于小樣本數(shù)據(jù)3.以下哪項(xiàng)不是影響個(gè)人信用評(píng)分的外部因素？（C）A.經(jīng)濟(jì)周期B.行業(yè)政策C.個(gè)人消費(fèi)習(xí)慣D.金融市場(chǎng)波動(dòng)4.在信用評(píng)分模型的訓(xùn)練過程中，哪一步是確保模型公正性的關(guān)鍵？（A）A.數(shù)據(jù)清洗和預(yù)處理B.特征選擇C.模型參數(shù)調(diào)整D.模型驗(yàn)證5.信用評(píng)分模型中的“VIF”指標(biāo)主要用于衡量什么？（B）A.模型的擬合優(yōu)度B.特征之間的多重共線性C.模型的預(yù)測(cè)精度D.模型的復(fù)雜度6.在實(shí)際應(yīng)用中，信用評(píng)分模型的評(píng)分結(jié)果通常需要經(jīng)過哪一步調(diào)整？（C）A.標(biāo)準(zhǔn)化B.歸一化C.回歸校準(zhǔn)D.特征工程7.以下哪項(xiàng)指標(biāo)通常不被用于衡量信用評(píng)分模型的穩(wěn)定性？（D）A.K折交叉驗(yàn)證B.時(shí)間序列分割C.模型漂移檢測(cè)D.特征重要性排序8.在信用評(píng)分模型中，哪一種方法通常用于處理缺失值？（B）A.刪除含有缺失值的樣本B.插值法C.特征編碼D.模型預(yù)測(cè)9.信用評(píng)分模型中的“過擬合”現(xiàn)象通常由什么原因?qū)е?？（A）A.模型過于復(fù)雜B.數(shù)據(jù)量不足C.特征選擇不當(dāng)D.損失函數(shù)設(shè)置不合理10.在實(shí)際業(yè)務(wù)中，信用評(píng)分模型的應(yīng)用通常需要考慮哪一項(xiàng)因素？（C）A.模型的預(yù)測(cè)精度B.模型的計(jì)算效率C.模型的業(yè)務(wù)解釋性D.模型的穩(wěn)定性11.信用評(píng)分模型中的“特征重要性”通常通過哪一種方法計(jì)算？（B）A.相關(guān)性分析B.基于樹的模型C.邏輯回歸系數(shù)D.逐步回歸12.在信用評(píng)分模型的驗(yàn)證過程中，哪一步是確保模型泛化能力的關(guān)鍵？（A）A.持續(xù)監(jiān)控和更新B.模型調(diào)參C.特征選擇D.數(shù)據(jù)清洗13.信用評(píng)分模型中的“樣本不平衡”問題通常通過哪一種方法解決？（B）A.增加樣本量B.重采樣C.特征工程D.模型選擇14.在信用評(píng)分模型中，哪一種指標(biāo)通常用于衡量模型的預(yù)測(cè)精度？（C）A.AUCB.F1分?jǐn)?shù)C.準(zhǔn)確率D.召回率15.信用評(píng)分模型中的“特征工程”主要目的是什么？（A）A.提高模型的預(yù)測(cè)能力B.簡(jiǎn)化模型結(jié)構(gòu)C.減少計(jì)算量D.增加模型的可解釋性16.在實(shí)際業(yè)務(wù)中，信用評(píng)分模型的應(yīng)用通常需要考慮哪一項(xiàng)因素？（C）A.模型的預(yù)測(cè)精度B.模型的計(jì)算效率C.模型的業(yè)務(wù)解釋性D.模型的穩(wěn)定性17.信用評(píng)分模型中的“特征重要性”通常通過哪一種方法計(jì)算？（B）A.相關(guān)性分析B.基于樹的模型C.邏輯回歸系數(shù)D.逐步回歸18.在信用評(píng)分模型的驗(yàn)證過程中，哪一步是確保模型泛化能力的關(guān)鍵？（A）A.持續(xù)監(jiān)控和更新B.模型調(diào)參C.特征選擇D.數(shù)據(jù)清洗19.信用評(píng)分模型中的“樣本不平衡”問題通常通過哪一種方法解決？（B）A.增加樣本量B.重采樣C.特征工程D.模型選擇20.在信用評(píng)分模型中，哪一種指標(biāo)通常用于衡量模型的預(yù)測(cè)精度？（C）A.AUCB.F1分?jǐn)?shù)C.準(zhǔn)確率D.召回率21.信用評(píng)分模型中的“特征工程”主要目的是什么？（A）A.提高模型的預(yù)測(cè)能力B.簡(jiǎn)化模型結(jié)構(gòu)C.減少計(jì)算量D.增加模型的可解釋性22.在實(shí)際業(yè)務(wù)中，信用評(píng)分模型的應(yīng)用通常需要考慮哪一項(xiàng)因素？（C）A.模型的預(yù)測(cè)精度B.模型的計(jì)算效率C.模型的業(yè)務(wù)解釋性D.模型的穩(wěn)定性23.信用評(píng)分模型中的“特征重要性”通常通過哪一種方法計(jì)算？（B）A.相關(guān)性分析B.基于樹的模型C.邏輯回歸系數(shù)D.逐步回歸24.在信用評(píng)分模型的驗(yàn)證過程中，哪一步是確保模型泛化能力的關(guān)鍵？（A）A.持續(xù)監(jiān)控和更新B.模型調(diào)參C.特征選擇D.數(shù)據(jù)清洗25.信用評(píng)分模型中的“樣本不平衡”問題通常通過哪一種方法解決？（B）A.增加樣本量B.重采樣C.特征工程D.模型選擇二、簡(jiǎn)答題（本部分共5小題，每小題10分，共50分。請(qǐng)將答案寫在答題卡上。）1.請(qǐng)簡(jiǎn)述信用評(píng)分模型在實(shí)際金融信貸業(yè)務(wù)中的應(yīng)用場(chǎng)景。2.在構(gòu)建信用評(píng)分模型時(shí)，如何處理缺失值？3.請(qǐng)解釋信用評(píng)分模型中的“過擬合”現(xiàn)象及其解決方法。4.在信用評(píng)分模型的驗(yàn)證過程中，如何確保模型的泛化能力？5.請(qǐng)簡(jiǎn)述信用評(píng)分模型中的“特征工程”及其主要目的。三、論述題（本部分共3小題，每小題15分，共45分。請(qǐng)將答案寫在答題卡上。）1.你在實(shí)際工作中遇到過信用評(píng)分模型結(jié)果與實(shí)際業(yè)務(wù)情況不符的情況嗎？如果有，請(qǐng)結(jié)合具體案例，分析可能的原因并提出相應(yīng)的改進(jìn)措施。2.在信用評(píng)分模型的特征選擇過程中，如何平衡模型的預(yù)測(cè)能力和業(yè)務(wù)解釋性？請(qǐng)結(jié)合實(shí)際案例，談?wù)勀愕目捶ā?.隨著金融科技的快速發(fā)展，信用評(píng)分模型的應(yīng)用場(chǎng)景也在不斷拓展。請(qǐng)結(jié)合當(dāng)前的技術(shù)趨勢(shì)，探討未來信用評(píng)分模型可能的發(fā)展方向及應(yīng)用前景。四、案例分析題（本部分共2小題，每小題25分，共50分。請(qǐng)將答案寫在答題卡上。）1.某銀行在引入新的信用評(píng)分模型后，發(fā)現(xiàn)模型的預(yù)測(cè)精度有所下降，但模型的業(yè)務(wù)解釋性卻得到了顯著提升。請(qǐng)結(jié)合這一情況，分析可能的原因，并提出相應(yīng)的改進(jìn)建議。2.某電商平臺(tái)在開展小額信貸業(yè)務(wù)時(shí)，發(fā)現(xiàn)傳統(tǒng)的信用評(píng)分模型難以準(zhǔn)確評(píng)估用戶的還款能力。請(qǐng)結(jié)合電商行業(yè)的特點(diǎn)，探討如何構(gòu)建適用于電商用戶的信用評(píng)分模型，并提出具體的實(shí)施步驟。本次試卷答案如下一、選擇題答案及解析1.A指標(biāo)分析：在征信報(bào)告中，按時(shí)還款次數(shù)最能直接反映個(gè)人良好的還款習(xí)慣和意愿。逾期還款次數(shù)雖然也能反映還款情況，但更多體現(xiàn)的是還款能力的問題，而不是意愿。賬戶余額和信用查詢次數(shù)與還款意愿的直接關(guān)聯(lián)性相對(duì)較弱。解析思路：考察對(duì)征信報(bào)告中各項(xiàng)信息與還款意愿關(guān)聯(lián)程度的理解，需要結(jié)合實(shí)際業(yè)務(wù)場(chǎng)景分析各項(xiàng)指標(biāo)的含義。2.B指標(biāo)分析：邏輯回歸模型在信用評(píng)分中的應(yīng)用廣泛，主要優(yōu)勢(shì)在于計(jì)算效率高，模型結(jié)果易于解釋，這符合金融業(yè)務(wù)對(duì)模型透明度和穩(wěn)定性的要求。解析思路：考察對(duì)邏輯回歸模型優(yōu)缺點(diǎn)的掌握，需要結(jié)合金融業(yè)務(wù)對(duì)模型解釋性的重視程度進(jìn)行分析。3.C因素分析：個(gè)人消費(fèi)習(xí)慣屬于內(nèi)部因素，而經(jīng)濟(jì)周期、行業(yè)政策和金融市場(chǎng)波動(dòng)都屬于外部因素，這些外部因素會(huì)直接影響個(gè)人的還款能力和意愿。解析思路：考察對(duì)影響信用評(píng)分因素的分類理解，需要明確內(nèi)部因素和外部因素的區(qū)別。4.A步驟分析：數(shù)據(jù)清洗和預(yù)處理是確保模型公正性的關(guān)鍵步驟，通過剔除歧視性特征和處理不均衡數(shù)據(jù)，可以有效避免模型產(chǎn)生偏見。解析思路：考察對(duì)模型公正性保障措施的理解，需要結(jié)合實(shí)際案例分析數(shù)據(jù)預(yù)處理的重要性。5.B指標(biāo)作用：VIF（方差膨脹因子）主要用于衡量特征之間的多重共線性問題，過高的VIF值會(huì)導(dǎo)致模型參數(shù)不穩(wěn)定，影響模型的預(yù)測(cè)能力。解析思路：考察對(duì)多重共線性問題的理解和檢測(cè)方法，需要結(jié)合特征工程的相關(guān)知識(shí)進(jìn)行分析。6.C調(diào)整方法：信用評(píng)分模型的評(píng)分結(jié)果通常需要經(jīng)過回歸校準(zhǔn)，以確保評(píng)分結(jié)果與實(shí)際違約概率的一致性，提高模型在業(yè)務(wù)中的應(yīng)用價(jià)值。解析思路：考察對(duì)評(píng)分結(jié)果校準(zhǔn)方法的掌握，需要結(jié)合實(shí)際業(yè)務(wù)場(chǎng)景分析校準(zhǔn)的必要性。7.D指標(biāo)分析：特征重要性排序通常用于衡量單個(gè)特征對(duì)模型的貢獻(xiàn)程度，而不用于衡量模型的穩(wěn)定性。解析思路：考察對(duì)特征重要性指標(biāo)的理解，需要區(qū)分不同指標(biāo)在模型評(píng)估中的作用。8.B處理方法：插值法是處理缺失值的有效方法之一，通過插值可以保留更多的數(shù)據(jù)信息，提高模型的訓(xùn)練效果。解析思路：考察對(duì)缺失值處理方法的掌握，需要結(jié)合不同方法的優(yōu)缺點(diǎn)進(jìn)行分析。9.A原因分析：過擬合現(xiàn)象通常由模型過于復(fù)雜導(dǎo)致，模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)良好，但在新數(shù)據(jù)上表現(xiàn)較差。解析思路：考察對(duì)過擬合問題的理解和成因分析，需要結(jié)合模型復(fù)雜度的概念進(jìn)行分析。10.C應(yīng)用考慮：信用評(píng)分模型的應(yīng)用需要考慮業(yè)務(wù)解釋性，因?yàn)槟Ｐ偷淖罱K目的是為業(yè)務(wù)決策提供支持，解釋性強(qiáng)的模型更容易被業(yè)務(wù)人員接受。解析思路：考察對(duì)模型應(yīng)用價(jià)值的理解，需要結(jié)合業(yè)務(wù)場(chǎng)景分析模型解釋性的重要性。11.B計(jì)算方法：基于樹的模型（如決策樹、隨機(jī)森林）可以有效地計(jì)算特征重要性，通過特征選擇次數(shù)來衡量每個(gè)特征的貢獻(xiàn)。解析思路：考察對(duì)特征重要性計(jì)算方法的掌握，需要結(jié)合不同模型的特性進(jìn)行分析。12.A驗(yàn)證步驟：持續(xù)監(jiān)控和更新是確保模型泛化能力的關(guān)鍵步驟，通過定期評(píng)估模型表現(xiàn)，可以及時(shí)發(fā)現(xiàn)模型漂移并進(jìn)行調(diào)整。解析思路：考察對(duì)模型泛化能力保障措施的理解，需要結(jié)合實(shí)際業(yè)務(wù)場(chǎng)景分析監(jiān)控的重要性。13.B解決方法：重采樣是解決樣本不平衡問題的有效方法，通過過采樣或欠采樣可以平衡正負(fù)樣本比例，提高模型的預(yù)測(cè)能力。解析思路：考察對(duì)樣本不平衡問題的理解和解決方法，需要結(jié)合不同采樣方法的優(yōu)缺點(diǎn)進(jìn)行分析。14.C精度指標(biāo)：準(zhǔn)確率是衡量模型預(yù)測(cè)精度的常用指標(biāo)，通過計(jì)算正確預(yù)測(cè)樣本的比例來評(píng)估模型的性能。解析思路：考察對(duì)模型精度指標(biāo)的掌握，需要結(jié)合不同指標(biāo)的應(yīng)用場(chǎng)景進(jìn)行分析。15.A工程目的：特征工程的主要目的是通過特征變換和選擇，提高模型的預(yù)測(cè)能力，使模型更好地捕捉數(shù)據(jù)中的信息。解析思路：考察對(duì)特征工程目的的理解，需要結(jié)合實(shí)際案例分析特征工程的重要性。16.C應(yīng)用考慮：信用評(píng)分模型的應(yīng)用需要考慮業(yè)務(wù)解釋性，因?yàn)槟Ｐ偷淖罱K目的是為業(yè)務(wù)決策提供支持，解釋性強(qiáng)的模型更容易被業(yè)務(wù)人員接受。解析思路：考察對(duì)模型應(yīng)用價(jià)值的理解，需要結(jié)合業(yè)務(wù)場(chǎng)景分析模型解釋性的重要性。17.B計(jì)算方法：基于樹的模型（如決策樹、隨機(jī)森林）可以有效地計(jì)算特征重要性，通過特征選擇次數(shù)來衡量每個(gè)特征的貢獻(xiàn)。解析思路：考察對(duì)特征重要性計(jì)算方法的掌握，需要結(jié)合不同模型的特性進(jìn)行分析。18.A驗(yàn)證步驟：持續(xù)監(jiān)控和更新是確保模型泛化能力的關(guān)鍵步驟，通過定期評(píng)估模型表現(xiàn)，可以及時(shí)發(fā)現(xiàn)模型漂移并進(jìn)行調(diào)整。解析思路：考察對(duì)模型泛化能力保障措施的理解，需要結(jié)合實(shí)際業(yè)務(wù)場(chǎng)景分析監(jiān)控的重要性。19.B解決方法：重采樣是解決樣本不平衡問題的有效方法，通過過采樣或欠采樣可以平衡正負(fù)樣本比例，提高模型的預(yù)測(cè)能力。解析思路：考察對(duì)樣本不平衡問題的理解和解決方法，需要結(jié)合不同采樣方法的優(yōu)缺點(diǎn)進(jìn)行分析。20.C精度指標(biāo)：準(zhǔn)確率是衡量模型預(yù)測(cè)精度的常用指標(biāo)，通過計(jì)算正確預(yù)測(cè)樣本的比例來評(píng)估模型的性能。解析思路：考察對(duì)模型精度指標(biāo)的掌握，需要結(jié)合不同指標(biāo)的應(yīng)用場(chǎng)景進(jìn)行分析。21.A工程目的：特征工程的主要目的是通過特征變換和選擇，提高模型的預(yù)測(cè)能力，使模型更好地捕捉數(shù)據(jù)中的信息。解析思路：考察對(duì)特征工程目的的理解，需要結(jié)合實(shí)際案例分析特征工程的重要性。22.C應(yīng)用考慮：信用評(píng)分模型的應(yīng)用需要考慮業(yè)務(wù)解釋性，因?yàn)槟Ｐ偷淖罱K目的是為業(yè)務(wù)決策提供支持，解釋性強(qiáng)的模型更容易被業(yè)務(wù)人員接受。解析思路：考察對(duì)模型應(yīng)用價(jià)值的理解，需要結(jié)合業(yè)務(wù)場(chǎng)景分析模型解釋性的重要性。23.B計(jì)算方法：基于樹的模型（如決策樹、隨機(jī)森林）可以有效地計(jì)算特征重要性，通過特征選擇次數(shù)來衡量每個(gè)特征的貢獻(xiàn)。解析思路：考察對(duì)特征重要性計(jì)算方法的掌握，需要結(jié)合不同模型的特性進(jìn)行分析。24.A驗(yàn)證步驟：持續(xù)監(jiān)控和更新是確保模型泛化能力的關(guān)鍵步驟，通過定期評(píng)估模型表現(xiàn)，可以及時(shí)發(fā)現(xiàn)模型漂移并進(jìn)行調(diào)整。解析思路：考察對(duì)模型泛化能力保障措施的理解，需要結(jié)合實(shí)際業(yè)務(wù)場(chǎng)景分析監(jiān)控的重要性。25.B解決方法：重采樣是解決樣本不平衡問題的有效方法，通過過采樣或欠采樣可以平衡正負(fù)樣本比例，提高模型的預(yù)測(cè)能力。解析思路：考察對(duì)樣本不平衡問題的理解和解決方法，需要結(jié)合不同采樣方法的優(yōu)缺點(diǎn)進(jìn)行分析。二、簡(jiǎn)答題答案及解析1.應(yīng)用場(chǎng)景分析：信用評(píng)分模型在實(shí)際金融信貸業(yè)務(wù)中廣泛應(yīng)用于貸款審批、信用卡額度核定、風(fēng)險(xiǎn)監(jiān)控等場(chǎng)景。例如，在貸款審批中，銀行通過信用評(píng)分模型對(duì)申請(qǐng)人的信用風(fēng)險(xiǎn)進(jìn)行評(píng)估，決定是否批準(zhǔn)貸款以及貸款額度；在信用卡額度核定中，銀行根據(jù)信用評(píng)分模型評(píng)估申請(qǐng)人的信用狀況，核定合適的信用卡額度；在風(fēng)險(xiǎn)監(jiān)控中，銀行通過信用評(píng)分模型持續(xù)監(jiān)控客戶的信用風(fēng)險(xiǎn)變化，及時(shí)調(diào)整風(fēng)險(xiǎn)管理策略。解析思路：考察對(duì)信用評(píng)分模型應(yīng)用場(chǎng)景的理解，需要結(jié)合實(shí)際業(yè)務(wù)案例進(jìn)行分析。2.缺失值處理方法：在構(gòu)建信用評(píng)分模型時(shí)，處理缺失值的方法包括刪除含有缺失值的樣本、插值法、特征編碼等。刪除含有缺失值的樣本是最簡(jiǎn)單的方法，但會(huì)導(dǎo)致數(shù)據(jù)量減少，影響模型的訓(xùn)練效果；插值法通過插值計(jì)算缺失值，可以保留更多的數(shù)據(jù)信息，提高模型的訓(xùn)練效果；特征編碼將缺失值視為一個(gè)獨(dú)立的類別，可以保留缺失值的信息，但需要結(jié)合具體的業(yè)務(wù)場(chǎng)景進(jìn)行分析。解析思路：考察對(duì)缺失值處理方法的掌握，需要結(jié)合不同方法的優(yōu)缺點(diǎn)進(jìn)行分析。3.過擬合現(xiàn)象分析：過擬合現(xiàn)象通常由模型過于復(fù)雜導(dǎo)致，模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)良好，但在新數(shù)據(jù)上表現(xiàn)較差。解決過擬合問題的方法包括增加訓(xùn)練數(shù)據(jù)、正則化、特征選擇等。增加訓(xùn)練數(shù)據(jù)可以提高模型的泛化能力；正則化通過懲罰復(fù)雜模型，防止模型過擬合；特征選擇通過選擇重要的特征，簡(jiǎn)化模型結(jié)構(gòu)，提高模型的泛化能力。解析思路：考察對(duì)過擬合問題的理解和解決方法，需要結(jié)合模型復(fù)雜度的概念進(jìn)行分析。4.模型泛化能力保障：在信用評(píng)分模型的驗(yàn)證過程中，確保模型泛化能力的關(guān)鍵步驟包括交叉驗(yàn)證、持續(xù)監(jiān)控和更新、特征選擇等。交叉驗(yàn)證通過將數(shù)據(jù)分成多個(gè)子集，多次訓(xùn)練和驗(yàn)證模型，可以提高模型的泛化能力；持續(xù)監(jiān)控和更新通過定期評(píng)估模型表現(xiàn)，及時(shí)發(fā)現(xiàn)模型漂移并進(jìn)行調(diào)整，可以保持模型的泛化能力；特征選擇通過選擇重要的特征，簡(jiǎn)化模型結(jié)構(gòu)，提高模型的泛化能力。解析思路：考察對(duì)模型泛化能力保障措施的理解，需要結(jié)合實(shí)際業(yè)務(wù)場(chǎng)景分析監(jiān)控的重要性。5.特征工程分析：特征工程的主要目的是通過特征變換和選擇，提高模型的預(yù)測(cè)能力，使模型更好地捕捉數(shù)據(jù)中的信息。特征工程包括特征提取、特征變換和特征選擇等步驟。特征提取通過從原始數(shù)據(jù)中提取有用的信息，提高模型的預(yù)測(cè)能力；特征變換通過將原始特征進(jìn)行變換，使特征更符合模型的假設(shè)；特征選擇通過選擇重要的特征，簡(jiǎn)化模型結(jié)構(gòu)，提高模型的預(yù)測(cè)能力。解析思路：考察對(duì)特征工程目的的理解，需要結(jié)合實(shí)際案例分析特征工程的重要性。三、論述題答案及解析1.案例分析：在實(shí)際工作中，我曾遇到過信用評(píng)分模型結(jié)果與實(shí)際業(yè)務(wù)情況不符的情況。例如，某次模型應(yīng)用于貸款審批，發(fā)現(xiàn)模型的預(yù)測(cè)結(jié)果與實(shí)際違約情況存在較大差異。通過分析，發(fā)現(xiàn)模型對(duì)某些特定行業(yè)的客戶評(píng)估過于保守，導(dǎo)致部分優(yōu)質(zhì)客戶的貸款申請(qǐng)被拒絕。改進(jìn)措施包括增加這些特定行業(yè)的客戶數(shù)據(jù)，重新訓(xùn)練模型；同時(shí)，結(jié)合業(yè)務(wù)經(jīng)驗(yàn)對(duì)模型評(píng)分結(jié)果進(jìn)行人工審核，確保模型的公正性和準(zhǔn)確性。解析思路：考察對(duì)模型在實(shí)際應(yīng)用中問題的分析和解決能力，需要結(jié)合實(shí)際案例進(jìn)行分析。2.平衡分析：在信用評(píng)分模型的特征選擇過程中，平衡模型的預(yù)測(cè)能力和業(yè)務(wù)解釋性是一個(gè)重要的挑戰(zhàn)。例如，某次模型構(gòu)建中，通過特征選擇提高了模型的預(yù)測(cè)精度，但模型的業(yè)務(wù)解釋性卻顯著下降。為了平衡這兩者，可以采用逐步回歸的方法，逐步增加