2025年征信信息分析師考試題庫-征信數(shù)據(jù)分析挖掘案例實踐試題考試時間：______分鐘總分：______分姓名：______一、選擇題（本部分共20題，每題2分，共40分。請根據(jù)題意選擇最符合要求的選項，并將答案填寫在答題卡相應(yīng)位置上。）1.在征信數(shù)據(jù)分析中，下列哪個指標(biāo)最能反映借款人的還款能力？（）A.負債收入比B.房產(chǎn)凈值C.凈月收入D.婚姻狀況解析：這道題考察的是對征信數(shù)據(jù)分析中核心指標(biāo)的理解。我上課的時候經(jīng)常舉這個例子，比如說啊，有個客戶來申請貸款，你光看他的負債收入比可能覺得他壓力很大，但如果他其實有穩(wěn)定的房產(chǎn)凈值，那他可能還有還款能力。所以啊，你看，這個指標(biāo)得綜合著看，不能光看一個數(shù)字就下定論。2.以下哪種方法不適合用于處理征信數(shù)據(jù)中的缺失值？（）A.均值填充B.回歸插補C.刪除含缺失值的樣本D.眾數(shù)填充解析：這個題我上次講的時候啊，有學(xué)生問過，為什么不能隨便刪除缺失值。你想啊，如果某個群體缺失值特別多，你一刪，這不就帶偏結(jié)果了嗎？所以啊，得講究方法，比如用回歸插補這種，能保留更多信息。3.在進行征信數(shù)據(jù)探索性分析時，箱線圖主要用于？（）A.顯示數(shù)據(jù)分布的集中趨勢B.識別異常值C.分析數(shù)據(jù)相關(guān)性D.展示時間序列變化解析：箱線圖啊，我每次講這個圖都特別興奮，你看那箱子中間的線是中位數(shù)，上下邊緣是四分位數(shù)，那須啊，伸出去的是異常值，一目了然。有個同學(xué)上次畫圖啊，把異常值都當(dāng)成正常數(shù)據(jù)了，結(jié)果被判錯，哈哈。4.征信數(shù)據(jù)中的"五級分類"指的是？（）A.貸款金額大小B.借款人年齡階段C.貸款風(fēng)險等級D.信用查詢次數(shù)解析：這個題考的是基本概念，五級分類啊，我上課時經(jīng)常用銀行的真實案例來講，正常、關(guān)注、次級、可疑、損失，每個等級都有具體表現(xiàn)，比如次級貸款啊，那肯定要重點關(guān)注了。5.在使用邏輯回歸模型進行信用評分時，以下哪個指標(biāo)最能反映模型的區(qū)分能力？（）A.AUC值B.R平方值C.F值D.標(biāo)準(zhǔn)差解析：AUC值啊，我每次講這個都要說，它就像天氣預(yù)報準(zhǔn)確率的那個曲線，1就是完美的分者，0.5就是隨機猜。有個同學(xué)上次模型AUC值才0.6，我讓他重新看特征，結(jié)果發(fā)現(xiàn)把收入和負債搞反了，哈哈。6.征信數(shù)據(jù)中的"查詢記錄"通常包括？（）A.信用卡還款記錄B.貸款審批查詢C.逾期還款情況D.婚姻登記信息解析：查詢記錄啊，這個特別重要，我上課時強調(diào)過，這可是反映客戶信用態(tài)度的關(guān)鍵。有個客戶明明很穩(wěn)定，但查詢次數(shù)太多，最后還是被風(fēng)控了，所以說啊，數(shù)據(jù)要全面看。7.在進行特征工程時，以下哪種方法屬于特征衍生？（）A.標(biāo)準(zhǔn)化B.分箱C.主成分分析D.邏輯回歸解析：特征衍生啊，我上次講這個的時候啊，有個學(xué)生說"老師，我衍生了這么多特征，模型效果反而差了"，我告訴他，特征不是越多越好，得有質(zhì)量，就像食材，得挑好的。8.征信數(shù)據(jù)中的"居住情況"通常指的是？（）A.居住年限B.房屋價值C.租房還是買房D.是否有房貸解析：居住情況啊，我經(jīng)常用這個來舉例，有個客戶租房10年，突然買房，我一看他的查詢記錄，發(fā)現(xiàn)當(dāng)時申請房貸，后來發(fā)現(xiàn)他其實很穩(wěn)定，所以說啊，要動態(tài)看數(shù)據(jù)。9.在處理征信數(shù)據(jù)中的不平衡問題時，以下哪種方法屬于過采樣？（）A.SMOTE算法B.交叉驗證C.特征選擇D.數(shù)據(jù)歸一化解析：SMOTE這個我特別強調(diào)過，它能把少數(shù)類樣本擴展，我有個學(xué)生用這個把違約樣本擴充到60%，模型效果立馬提升，所以說啊，處理不平衡問題得用對招。10.征信數(shù)據(jù)中的"負債比率"通常是指？（）A.總負債/總資產(chǎn)B.月還款額/月收入C.信用卡額度/總負債D.抵押貸款額/總貸款額解析：負債比率啊，我上課時特別強調(diào)這個，有個客戶工資很高，但負債比太高，最后逾期了，所以說啊，不能只看收入，得看負債。11.在進行時間序列分析時，以下哪個方法適合處理具有明顯季節(jié)性變化的征信數(shù)據(jù)？（）A.ARIMA模型B.線性回歸C.決策樹D.K-means聚類解析：ARIMA這個我經(jīng)常用，有個學(xué)生上次用這個分析某銀行信用卡逾期趨勢，那季節(jié)性特征啊，一目了然，所以說啊，得用對工具。12.征信數(shù)據(jù)中的"擔(dān)保信息"通常包括？（）A.抵押物價值B.擔(dān)保人收入C.聯(lián)保人數(shù)D.是否有保險解析：擔(dān)保信息啊，我上課時強調(diào)過，有個客戶沒有抵押，但有3個聯(lián)保人，最后沒逾期，所以說啊，不能只看表面。13.在使用決策樹進行信用評分時，以下哪個指標(biāo)最能反映節(jié)點純度？（）A.Gini系數(shù)B.信息熵C.AUC值D.R平方值解析：Gini系數(shù)啊，我每次講這個都要說，它就像空氣質(zhì)量指數(shù)，值越小說越好。有個學(xué)生上次用信息熵，結(jié)果模型效果差很多，所以說啊，得用對指標(biāo)。14.征信數(shù)據(jù)中的"職業(yè)信息"通常包括？（）A.工作年限B.行業(yè)分類C.職位級別D.是否有社保解析：職業(yè)信息啊，我經(jīng)常用這個來舉例，有個客戶從國企跳到私企，剛開始查詢記錄變多，但后來穩(wěn)定了，所以說啊，要動態(tài)看數(shù)據(jù)。15.在進行關(guān)聯(lián)規(guī)則挖掘時，以下哪個指標(biāo)反映規(guī)則的重要性？（）A.支持度B.置信度C.提升度D.頻率解析：提升度這個我特別強調(diào)過，它就像放大鏡，能把重要規(guī)則找出來。有個學(xué)生上次用這個發(fā)現(xiàn)"有房貸"和"信用卡使用率超過50%"同時出現(xiàn)的客戶，逾期率特別高。16.征信數(shù)據(jù)中的"教育程度"通常指的是？（）A.最高學(xué)歷B.學(xué)費支出C.就讀學(xué)校D.獲獎情況解析：教育程度啊，我經(jīng)常用這個來舉例，有個客戶大學(xué)學(xué)歷，但最近離職，查詢記錄變多，最后逾期了，所以說啊，要結(jié)合其他數(shù)據(jù)看。17.在使用聚類算法進行客戶分群時，以下哪種方法適合處理高維數(shù)據(jù)？（）A.K-meansB.層次聚類C.DBSCAND.Birch解析：K-means這個我特別強調(diào)過，有個學(xué)生上次用這個分析客戶行為，效果特別好，所以說啊，得用對算法。18.征信數(shù)據(jù)中的"公共記錄"通常包括？（）A.訴訟記錄B.拍賣記錄C.仲裁記錄D.以上都是解析：公共記錄啊，我上課時強調(diào)過，有個客戶有訴訟記錄，雖然沒判決，但查詢記錄變多，最后還是逾期了，所以說啊，要重視這些數(shù)據(jù)。19.在進行特征選擇時，以下哪種方法屬于基于模型的特征選擇？（）A.遞歸特征消除B.卡方檢驗C.相關(guān)性分析D.互信息解析：遞歸特征消除這個我經(jīng)常用，有個學(xué)生上次用這個分析信用評分特征，效果特別好，所以說啊，得用對方法。20.征信數(shù)據(jù)中的"收入穩(wěn)定性"通常是指？（）A.工資變化率B.工作單位性質(zhì)C.收入連續(xù)性D.是否有兼職解析：收入穩(wěn)定性啊，我上課時強調(diào)過，有個客戶工資很高，但收入不穩(wěn)定，最后逾期了，所以說啊，要關(guān)注這些細節(jié)。二、簡答題（本部分共5題，每題6分，共30分。請根據(jù)題意簡要回答，每個問題回答要點不少于3點。）1.簡述征信數(shù)據(jù)探索性分析的主要步驟及其目的。解析：這個題啊，我每次講的時候都特別興奮，因為這是數(shù)據(jù)分析的基礎(chǔ)。我一般會從數(shù)據(jù)概覽開始，比如描述性統(tǒng)計，然后可視化，比如直方圖、箱線圖，最后要找數(shù)據(jù)間的關(guān)聯(lián)性，為后續(xù)建模做準(zhǔn)備。有個學(xué)生上次沒寫可視化，被判扣分，我說啊，數(shù)據(jù)分析啊，得直觀！2.解釋征信數(shù)據(jù)預(yù)處理中缺失值處理的各種方法及其適用場景。解析：這個題啊，我上課時會用真實案例來講，比如有個客戶年齡缺失，我就用均值填充，結(jié)果發(fā)現(xiàn)他明明是退休老人，卻被當(dāng)成年輕人，后來改用回歸插補，效果就好多了。所以說啊，方法得選對。3.說明征信數(shù)據(jù)不平衡問題的危害以及常用的處理方法。解析：這個題啊，我每次講都會用真實案例，比如有個銀行模型對違約預(yù)測效果差，后來發(fā)現(xiàn)是因為違約樣本太少，一用SMOTE擴充，效果立馬提升。所以說啊，處理不平衡問題得用對招。4.描述征信數(shù)據(jù)中常見的異常值處理方法及其優(yōu)缺點。解析：這個題啊，我上課時會用真實案例來講，比如有個客戶查詢次數(shù)異常多，我一看是數(shù)據(jù)錄入錯誤，直接修正就好，但如果判斷是真實異常，就得考慮分箱或者用對模型。所以說啊，得小心謹慎。5.分析征信數(shù)據(jù)中特征選擇的重要性以及常用的特征選擇方法。解析：這個題啊，我每次講都會用真實案例，比如有個學(xué)生特征選太多，模型過擬合，后來用遞歸特征消除精簡后，效果立馬提升。所以說啊，特征選擇很重要，得用對方法。三、簡答題（本部分共5題，每題6分，共30分。請根據(jù)題意簡要回答，每個問題回答要點不少于3點。）6.描述征信數(shù)據(jù)中特征衍生的主要方法及其在信用評分中的應(yīng)用價值。解析：這個題啊，我每次講的時候都特別興奮，因為特征衍生是數(shù)據(jù)分析師的必備技能。我一般會講從原始特征衍生新特征的方法，比如從出生日期衍生年齡，從查詢次數(shù)和間隔時間衍生查詢活躍度，從負債和收入衍生負債收入比。有個學(xué)生上次衍生了太多特征，結(jié)果模型效果反而差了，我說啊，特征不是越多越好，得有質(zhì)量，就像食材，得挑好的。7.解釋征信數(shù)據(jù)中時間序列分析的主要方法及其在信用風(fēng)險預(yù)測中的應(yīng)用場景。解析：這個題啊，我上課時會用真實案例來講，比如有個銀行用ARIMA模型分析信用卡逾期趨勢，那季節(jié)性特征啊，一目了然。我一般會講趨勢分解、季節(jié)性調(diào)整等方法，并強調(diào)時間序列分析在預(yù)測未來風(fēng)險中的重要性。有個學(xué)生上次用這個分析某銀行信用卡逾期趨勢，那季節(jié)性特征啊，一目了然，所以說啊，得用對工具。8.說明征信數(shù)據(jù)中關(guān)聯(lián)規(guī)則挖掘的主要方法及其在客戶畫像構(gòu)建中的應(yīng)用價值。解析：這個題啊，我每次講都會用真實案例來講，比如有個銀行用關(guān)聯(lián)規(guī)則發(fā)現(xiàn)"有房貸"和"信用卡使用率超過50%"同時出現(xiàn)的客戶，逾期率特別高。我一般會講Apriori算法、FP-Growth算法等，并強調(diào)關(guān)聯(lián)規(guī)則在發(fā)現(xiàn)客戶行為模式中的價值。有個學(xué)生上次用這個發(fā)現(xiàn)"有房貸"和"信用卡使用率超過50%"同時出現(xiàn)的客戶，逾期率特別高，所以說啊，得用對方法。9.描述征信數(shù)據(jù)中模型評估的主要指標(biāo)及其在信用評分卡開發(fā)中的應(yīng)用價值。解析：這個題啊，我上課時會用真實案例來講，比如有個銀行模型AUC值才0.6，我讓他重新看特征，結(jié)果發(fā)現(xiàn)把收入和負債搞反了。我一般會講AUC、KS值、ROC曲線等，并強調(diào)模型評估在信用評分卡開發(fā)中的重要性。有個學(xué)生上次模型AUC值才0.6，我讓他重新看特征，結(jié)果發(fā)現(xiàn)把收入和負債搞反了，哈哈。10.分析征信數(shù)據(jù)中模型解釋性主要方法及其在監(jiān)管合規(guī)報告中的應(yīng)用價值。解析：這個題啊，我每次講都會用真實案例來講，比如有個銀行模型效果好但解釋性差，被監(jiān)管要求整改。我一般會講LIME、SHAP等解釋性方法，并強調(diào)模型解釋性在監(jiān)管合規(guī)報告中的重要性。有個學(xué)生上次用這個解釋模型，結(jié)果監(jiān)管報告直接通過，所以說啊，得用對方法。四、論述題（本部分共2題，每題10分，共20分。請根據(jù)題意詳細論述，每個問題回答要點不少于5點。）11.結(jié)合實際案例，論述征信數(shù)據(jù)預(yù)處理中數(shù)據(jù)清洗的主要問題及其解決方案。解析：這個題啊，我每次講的時候都特別興奮，因為數(shù)據(jù)清洗是數(shù)據(jù)分析中最重要也最容易被忽視的環(huán)節(jié)。我一般會從數(shù)據(jù)質(zhì)量評估開始，比如缺失值、異常值、重復(fù)值等問題，然后針對這些問題提出解決方案，比如缺失值用均值填充、回歸插補等，異常值用分箱、winsorize等，重復(fù)值直接刪除。有個學(xué)生上次數(shù)據(jù)清洗不徹底，結(jié)果模型效果差很多，我說啊，數(shù)據(jù)清洗啊，得認真仔細，不能馬虎。12.結(jié)合實際案例，論述征信數(shù)據(jù)中特征工程的主要挑戰(zhàn)及其應(yīng)對策略。解析：這個題啊，我上課時會用真實案例來講，比如有個學(xué)生特征工程做得很好，模型效果提升明顯，但后來發(fā)現(xiàn)特征衍生太多，導(dǎo)致模型過擬合，最后效果反而差了。我一般會講特征工程的主要挑戰(zhàn)，比如特征冗余、特征不顯著等，然后提出應(yīng)對策略，比如用特征選擇方法，如遞歸特征消除、Lasso回歸等，并強調(diào)特征工程要結(jié)合業(yè)務(wù)理解，不能光靠算法。有個學(xué)生上次用這個分析客戶行為，效果特別好，所以說啊，得用對方法。五、案例分析題（本部分共1題，每題30分，共30分。請根據(jù)題意進行分析，并給出具體解決方案。）13.某銀行發(fā)現(xiàn)其信用卡逾期預(yù)測模型的AUC值只有0.65，低于行業(yè)平均水平，而模型復(fù)雜度較高，解釋性較差。作為征信數(shù)據(jù)分析師，請結(jié)合實際案例，分析可能的原因，并提出具體的改進方案。解析：這個題啊，我每次講的時候都特別興奮，因為這是實際工作中經(jīng)常遇到的問題。我一般會從數(shù)據(jù)質(zhì)量、特征工程、模型選擇等方面分析可能的原因，比如數(shù)據(jù)質(zhì)量問題導(dǎo)致模型效果差，特征工程做得不好導(dǎo)致模型無法捕捉到重要信息，模型選擇不當(dāng)導(dǎo)致模型復(fù)雜度過高。然后提出具體的改進方案，比如數(shù)據(jù)清洗，用均值填充缺失值，用分箱處理異常值；特征工程，用特征選擇方法，如遞歸特征消除、Lasso回歸等，并強調(diào)特征工程要結(jié)合業(yè)務(wù)理解，不能光靠算法；模型選擇，嘗試簡單的模型，如邏輯回歸，并解釋模型結(jié)果。有個學(xué)生上次用這個分析客戶行為，效果特別好，所以說啊，得用對方法。本次試卷答案如下一、選擇題1.C解析：凈月收入最能直接反映借款人的當(dāng)前還款能力，因為它排除了其他負債的影響，只看核心收入水平。我上課時經(jīng)常舉這個例子，比如說啊，有個客戶月收入2萬，但其他負債也2萬，那他的實際可支配收入就是0，肯定還款困難。但如果他月收入2萬，負債只有5千，那他肯定有還款能力。所以啊，你看，這個指標(biāo)得綜合著看，不能光看一個數(shù)字就下定論。2.C解析：刪除含缺失值的樣本不適合處理缺失值，因為如果某個群體缺失值特別多，你一刪，這不就帶偏結(jié)果了嗎？比如某個收入群體數(shù)據(jù)缺失嚴重，你一刪，分析結(jié)果可能完全錯誤。我上次講的時候有學(xué)生問過，為什么不能隨便刪除缺失值。你想啊，如果某個群體缺失值特別多，你一刪，這不就帶偏結(jié)果了嗎？所以啊，得講究方法，比如用回歸插補這種，能保留更多信息。3.B解析：箱線圖主要用于識別異常值，我每次講這個圖都特別興奮，你看那箱子中間的線是中位數(shù)，上下邊緣是四分位數(shù)，那須啊，伸出去的是異常值，一目了然。有個同學(xué)上次畫圖啊，把異常值都當(dāng)成正常數(shù)據(jù)了，結(jié)果被判錯，哈哈。箱線圖就像信用分析師的眼睛，能快速發(fā)現(xiàn)異常情況。4.C解析：五級分類指的是貸款風(fēng)險等級，我上課時經(jīng)常用銀行的真實案例來講，正常、關(guān)注、次級、可疑、損失，每個等級都有具體表現(xiàn)，比如次級貸款啊，那肯定要重點關(guān)注了。有個同學(xué)上次問我五級分類怎么用，我說啊，這就像醫(yī)生看病，正?？隙ǚ判?，次級就要密切觀察，損失那就是危險信號了。5.A解析：AUC值最能反映模型的區(qū)分能力，我每次講這個都要說，它就像天氣預(yù)報準(zhǔn)確率的那個曲線，1就是完美的分者，0.5就是隨機猜。有個同學(xué)上次模型AUC值才0.6，我讓他重新看特征，結(jié)果發(fā)現(xiàn)把收入和負債搞反了，哈哈。AUC值是信用評分卡的生命線，得越高越好。6.B解析：查詢記錄通常包括貸款審批查詢，我上課時強調(diào)過，這可是反映客戶信用態(tài)度的關(guān)鍵。有個客戶明明很穩(wěn)定，但查詢次數(shù)太多，最后還是被風(fēng)控了，所以說啊，數(shù)據(jù)要全面看。查詢記錄就像客戶的信用行為日記，寫得越規(guī)范越好。7.B解析：分箱屬于特征衍生，我上次講這個的時候啊，有學(xué)生說"老師，我衍生了這么多特征，模型效果反而差了"，我告訴他，特征不是越多越好，得有質(zhì)量，就像食材，得挑好的。分箱能把連續(xù)數(shù)據(jù)變成分類數(shù)據(jù)，有時候能簡化模型。8.C解析：居住情況通常指的是租房還是買房，我經(jīng)常用這個來舉例，有個客戶租房10年，突然買房，我一看他的查詢記錄，發(fā)現(xiàn)當(dāng)時申請房貸，后來發(fā)現(xiàn)他其實很穩(wěn)定，所以說啊，要動態(tài)看數(shù)據(jù)。居住情況就像客戶的根基，穩(wěn)不穩(wěn)很重要。9.A解析：SMOTE算法屬于過采樣，我特別強調(diào)過，它能把少數(shù)類樣本擴展，有個學(xué)生用這個把違約樣本擴充到60%，模型效果立馬提升，所以說啊，處理不平衡問題得用對招。SMOTE就像放大鏡，能把小細節(jié)放大看清楚。10.B解析：負債比率通常是指月還款額/月收入，我上課時特別強調(diào)這個，有個客戶工資很高，但負債比太高，最后逾期了，所以說啊，不能只看收入，得看負債。負債比率就像客戶的負重，太重了肯定走不動。11.A解析：ARIMA模型適合處理具有明顯季節(jié)性變化的征信數(shù)據(jù)，我經(jīng)常用這個分析某銀行信用卡逾期趨勢，那季節(jié)性特征啊，一目了然。ARIMA就像季節(jié)性感冒藥，能對癥下藥。12.B解析：擔(dān)保信息通常包括抵押物價值，我上課時強調(diào)過，有個客戶沒有抵押，但有3個聯(lián)保人，最后沒逾期，所以說啊，不能只看表面。擔(dān)保信息就像客戶的保險，有備無患。13.A解析：Gini系數(shù)最能反映節(jié)點純度，我每次講這個都要說，它就像空氣質(zhì)量指數(shù)，值越小說越好。Gini系數(shù)就像信用評分的空氣質(zhì)量，越清新越好。14.B解析：職業(yè)信息通常指的是行業(yè)分類，我經(jīng)常用這個來舉例，有個客戶從國企跳到私企，剛開始查詢記錄變多，但后來穩(wěn)定了，所以說啊，要動態(tài)看數(shù)據(jù)。職業(yè)信息就像客戶的職業(yè)身份證，很重要。15.C解析：提升度反映規(guī)則的重要性，我特別強調(diào)過，它就像放大鏡，能把重要規(guī)則找出來。提升度就像信用分析師的放大鏡，能發(fā)現(xiàn)關(guān)鍵信息。16.A解析：教育程度通常指的是最高學(xué)歷，我經(jīng)常用這個來舉例，有個客戶大學(xué)學(xué)歷，但最近離職，查詢記錄變多，最后逾期了，所以說啊，要結(jié)合其他數(shù)據(jù)看。教育程度就像客戶的學(xué)歷證書，是重要參考。17.A解析：K-means適合處理高維數(shù)據(jù)，我特別強調(diào)過，有個學(xué)生用這個分析客戶行為，效果特別好，所以說啊，得用對算法。K-means就像高維數(shù)據(jù)的導(dǎo)航儀，能幫你找到方向。18.D解析：公共記錄通常包括訴訟記錄、拍賣記錄、仲裁記錄，我上課時強調(diào)過，有個客戶有訴訟記錄，雖然沒判決，但查詢記錄變多，最后還是逾期了，所以說啊，要重視這些數(shù)據(jù)。公共記錄就像客戶的信用污點，要小心。19.A解析：遞歸特征消除屬于基于模型的特征選擇，我經(jīng)常用這個分析信用評分特征，效果特別好，所以說啊，得用對方法。遞歸特征消除就像信用分析師的火眼金睛，能幫你找到真金。20.A解析：收入穩(wěn)定性通常是指工資變化率，我上課時強調(diào)過，有個客戶工資很高，但收入不穩(wěn)定，最后逾期了，所以說啊，要關(guān)注這些細節(jié)。收入穩(wěn)定性就像客戶的收入心電圖，要平穩(wěn)。二、簡答題1.征信數(shù)據(jù)探索性分析的主要步驟及其目的：步驟：數(shù)據(jù)概覽（描述性統(tǒng)計）、可視化（直方圖、箱線圖等）、關(guān)聯(lián)性分析。目的：了解數(shù)據(jù)分布特征、發(fā)現(xiàn)異常值、找出數(shù)據(jù)間關(guān)系，為后續(xù)建模做準(zhǔn)備。我上課時強調(diào)過，探索性分析就像偵探的初步調(diào)查，不充分肯定走不動。2.征信數(shù)據(jù)預(yù)處理中缺失值處理的各種方法及其適用場景：方法：均值填充、中位數(shù)填充、眾數(shù)填充、回歸插補、刪除樣本。適用場景：均值適用于正態(tài)分布數(shù)據(jù)、中位數(shù)適用于偏態(tài)分布數(shù)據(jù)、回歸插補適用于缺失值不多但需要保留更多信息的情況。有個學(xué)生上次用均值填充缺失值，結(jié)果發(fā)現(xiàn)把收入正常的客戶填充成平均值，數(shù)據(jù)失真了，我說啊，方法得選對。3.征信數(shù)據(jù)不平衡問題的危害以及常用的處理方法：危害：模型偏向多數(shù)類，導(dǎo)致對少數(shù)類預(yù)測效果差。方法：過采樣（SMOTE）、欠采樣、成本敏感學(xué)習(xí)。我特別強調(diào)過，處理不平衡問題得用對招，上次有個學(xué)生用SMOTE擴充違約樣本，效果立馬提升，所以說啊，得用對方法。4.征信數(shù)據(jù)中常見的異常值處理方法及其優(yōu)缺點：方法：分箱、winsorize、刪除樣本。優(yōu)缺點：分箱能保留更多信息但可能丟失細節(jié)、winsorize能控制極端值但可能掩蓋真實分布、刪除樣本簡單但可能丟失重要信息。有個學(xué)生上次刪除異常值，結(jié)果發(fā)現(xiàn)那些異常值其實是重要客戶，模型效果反而差了。5.征信數(shù)據(jù)中特征選擇的重要性以及常用的特征選擇方法：重要性：減少特征冗余、提高模型性能、增強模型解釋性。方法：相關(guān)性分析、遞歸特征消除、Lasso回歸。我每次講都會用真實案例來講，比如有個學(xué)生特征選太多，模型過擬合，后來用遞歸特征消除精簡后，效果立馬提升。所以說啊，特征選擇很重要，得用對方法。三、簡答題6.征信數(shù)據(jù)中特征衍生的主要方法及其在信用評分中的應(yīng)用價值：方法：從出生日期衍生年齡、從查詢次數(shù)和間隔時間衍生查詢活躍度、從負債和收入衍生負債收入比。價值：能從原始數(shù)據(jù)中發(fā)現(xiàn)更多信息、提高模型性能、增強模型解釋性。有個學(xué)生上次衍生了太多特征，結(jié)果模型效果反而差了，我說啊，特征不是越多越好，得有質(zhì)量。7.征信數(shù)據(jù)中時間序列分析的主要方法及其在信用風(fēng)險預(yù)測中的應(yīng)用場景：方法：趨勢分解、季節(jié)性調(diào)整、ARIMA模型。應(yīng)用場景：預(yù)測未來風(fēng)險、發(fā)現(xiàn)季節(jié)性規(guī)律、分析趨勢變化。我經(jīng)常