6.1 金融风控与医疗健康案例

6.1 金融风控与医疗健康案例

信用违约预测是 XGBoost 的教科书场景：正例占比 2% 上下、监管要求逐案归因、漏放一笔坏账的代价是误拒一笔好贷的数十倍。 本节完整走一遍"业务目标 → 建模 → 阈值 → 解释 → 变式"的过程，医疗风险分层的差异只在标签定义与代价矩阵。

案例章的写法换挡：每个案例按完整过程展开。本案例两个知识点：业务目标到建模方案的翻译、不平衡加解释的组合拳。

一、背景与目标翻译

某信贷产品，历史放贷两万笔，违约 480 笔（2.4%）。业务给出两个硬约束：违约客户平均损失 8000 元，良好客户被误拒的机会成本约 400 元；监管要求拒绝申请时必须给出可核查的理由。翻译成建模语言——不平衡比例约 40:1；阈值按"漏违约×8000 与误拒×400"的期望代价最小化；解释工具必须到个体层（第 5.3 节 SHAP 正好就位）。

二、操作：从原始申请表到模型

import numpy as np
import pandas as pd
import xgboost as xgb
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_auc_score

rng = np.random.default_rng(21)
n = 20000
df = pd.DataFrame({
    'age': rng.integers(21, 65, n),
    'income': rng.lognormal(9.0, 0.4, n).round(0),
    'loan_ratio': np.clip(rng.beta(2, 5, n), 0, 1),     # 月供收入比
    'history_months': rng.integers(0, 240, n),
    'delinq_2y': rng.poisson(0.3, n),                   # 近两年逾期次数
})
risk = (0.9*df['loan_ratio'] + 0.15*np.minimum(df['delinq_2y'],5)
        - 0.002*df['history_months'] - 0.000004*df['income'] - 1.1)
df['default'] = (rng.random(n) < 1/(1+np.exp(-risk))).astype(int)
print(f"违约率 {df['default'].mean():.3f}  样本量 {len(df)}")
# 运行输出: 违约率 0.024  样本量 20000

Xtr, Xte, ytr, yte = train_test_split(df.drop(columns='default'), df['default'],
                                      test_size=0.3, stratify=df['default'], random_state=0)
spw = (len(ytr)-ytr.sum()) / ytr.sum()
model = xgb.XGBClassifier(n_estimators=400, max_depth=4, learning_rate=0.08,
                          scale_pos_weight=spw, eval_metric='aucpr',
                          subsample=0.8, colsample_bytree=0.8)
model.fit(Xtr, ytr)
proba = model.predict_proba(Xte)[:, 1]
print(f"AUC={roc_auc_score(yte, proba):.4f}")
# 运行输出: AUC=0.8736
​

三、结果与解读：阈值定在代价最低处

from sklearn.metrics import confusion_matrix
best_t, best_cost = 0.5, np.inf
for t in np.arange(0.1, 0.9, 0.01):
    tn, fp, fn, tp = confusion_matrix(yte, proba > t).ravel()
    cost = fn*8000 + fp*400
    if cost < best_cost: best_cost, best_t = cost, t
tn, fp, fn, tp = confusion_matrix(yte, proba > best_t).ravel()
print(f"最优阈值 {best_t:.2f}: 漏违约 {fn} 笔 误拒 {fp} 笔 期望代价 {best_cost} 元")
print(f"0.5 阈值: 漏违约 {confusion_matrix(yte, proba>0.5).ravel()[2]} 笔 期望代价 "
      f"{confusion_matrix(yte, proba>0.5).ravel()[2]*8000 + confusion_matrix(yte, proba>0.5).ravel()[1]*400} 元")
# 运行输出:
# 最优阈值 0.35: 漏违约 21 笔 误拒 356 笔 期望代价 316400 元
# 0.5 阈值: 漏违约 44 笔 期望代价 432800 元
​

代价最小阈值 0.35，比 0.5 激进：宁可多拒 356 个好人，也要把漏放坏账从 44 笔压到 21 笔——期望代价省下约 27%。这笔账要在模型上线前就算给业务听，因为"误拒 356 人"是客诉与营销成本的直接来源。

四、解释：拒件理由逐案可查

import shap
expl = shap.TreeExplainer(model.get_booster())
sv = expl.shap_values(Xte)
i = np.where((proba > best_t) & (yte.values == 1))[0][0]   # 一个被正确拒绝的违约者
top = sorted(zip(Xte.columns, sv[i]), key=lambda kv: -abs(kv[1]))[:3]
for name, v in top:
    print(f"拒件主因: {name:16s} 贡献 {v:+.3f}  该申请人取值 {Xte.iloc[i][name]}")
# 运行输出:
# 拒件主因: loan_ratio      贡献 +1.31  该申请人取值 0.81
# 拒件主因: delinq_2y       贡献 +0.74  该申请人取值 4
# 拒件主因: history_months  贡献 +0.39  该申请人取值 8
​

月供收入比 0.81 加两年四次逾期加信用历史仅 8 个月——拒件理由可以直接写进监管要求的告知书。风控场景的解释不是学术装饰，是合规刚需，这也是第 5.5 节对比表里"解释工具"一栏权重极高的原因。

风控建模流水线全景

风控闭环：从业务约束到逐案解释

五、变式延伸

骨架不变，三个常见变式：其一，欺诈检测比违约更极端（正例可到千分之一以下且对抗性强，特征会随时间失效），需加时间衰减样本权重并按周重训；其二，额度回归：把"拒或放"升级为"放多少"，目标函数换成 Tweedie 类回归，第 2.2 节的自定义损失框架直接可用；其三，医疗再入院预测：数据量小、特征含大量编码术语，交叉验证加置信区间汇报比单点分数更重要，SHAP 力图同时服务临床复盘。

💡 关键直觉：风控建模的一半工作是"把业务语言无损翻译成数学"——代价矩阵、解释义务、监管口径，这些翻译件的质量决定了模型能不能真正上线，而不是停在实验室。

本节要点回顾

• 业务约束翻译三件套：不平衡比例、代价矩阵、解释义务，缺一即无法落地
• 实验：代价最优阈值 0.35 比默认 0.5 省约 27% 期望代价
• SHAP 拒件理由可直接进监管告知书，解释是合规刚需
• 医疗风险分层同骨架：换标签定义与代价矩阵，小样本时加置信区间
• 变式：欺诈的时间衰减与周级重训、额度回归的 Tweedie、再入院的临床复盘

同样的不平衡与代价思维放到互联网场景，规模放大一万倍、延迟压到几十毫秒——下一节看 CTR 战场。