假设你负责构建一个不良资产预测模型，用于提前识别高风险资产，请描述模型选型（如XGBoost、LightGBM）、特征工程（如何从资产数据中提取有效特征）、训练流程（数据预处理、交叉验证）以及模型部署和监控方案。

1) 【一句话结论】

针对不良资产预测，采用LightGBM模型，通过动态时间特征（滚动窗口计算逾期行为）、高维类别特征降维（卡方选择）、调整类权重（scale_pos_weight）及stratified KFold处理数据不平衡，结合5折交叉验证优化超参数，模型部署为API并实时监控AUC及业务指标，动态触发模型更新（如AUC下降超过5%时重新训练）。

2) 【原理/概念讲解】

不良资产预测属于二分类问题（如“是否违约”），树模型（XGBoost/LightGBM）擅长捕捉资产数据中的非线性关系（类比：医生诊断疾病时，需整合症状、病史、生理指标等复杂信息，模型则根据这些特征判断风险）。

特征工程是核心，需从原始数据中提取三类关键特征：

• 动态时间特征：如最近30天逾期次数、滚动还款及时率（反映短期风险变化，如逾期次数突然增加则违约概率上升）；
• 行为特征：历史违约次数、还款及时率（体现客户还款能力，如多次违约或还款延迟率高则风险高）；
• 结构特征：抵押物价值、债务收入比（评估资产抵押价值和债务压力，如抵押物价值低或债务收入比过高则风险高）。

数据不平衡时，需调整类权重（如LGBM的scale_pos_weight参数）或stratified KFold保持类别比例，避免模型对多数类（正常资产）过度拟合。模型过拟合应对：限制树深度（如max_depth=5）、增加学习率（如0.1）、使用正则化项（如L1正则），结合交叉验证评估。

3) 【对比与适用场景】

模型	定义	特性	使用场景	注意点
XGBoost	基于梯度提升的树模型，通过迭代构建弱分类器	计算效率高，支持并行，但可能存在过拟合风险	适用于中小规模数据（如10万以内样本），特征维度较低	需合理设置树深度（如max_depth）、学习率（如0.1），避免过拟合
LightGBM	XGBoost优化版本，采用直方图算法、叶生长策略	计算速度更快（尤其大数据，如百万级样本），内存占用低，支持类别特征自动处理	适用于大规模数据（如百万级样本），特征维度高（如上千个特征）	对类别特征处理更高效，但可能对极端数据敏感，需检查特征分布

（注：LightGBM的直方图算法通过将连续特征离散化，大幅提升计算效率，适合不良资产数据中高维特征场景。）

4) 【示例】

伪代码示例（含动态时间特征、高维降维、类权重调整、stratified KFold）：

# 1. 数据预处理
def preprocess_data(df):
    # 缺失值处理
    num_cols = df.select_dtypes(include=['number']).columns
    cat_cols = df.select_dtypes(include=['object', 'category']).columns
    df[num_cols] = df[num_cols].fillna(df[num_cols].median())
    df[cat_cols] = df[cat_cols].fillna(df[cat_cols].mode()[0])
    
    # 异常值处理（IQR截断）
    for col in num_cols:
        q1, q3 = df[col].quantile([0.25, 0.75])
        iqr = q3 - q1
        df[col] = df[col].clip(q1 - 1.5*iqr, q3 + 1.5*iqr)
    
    # 动态时间特征：滚动窗口计算最近30天逾期次数
    df['rolling_overdue_count'] = df['overdue_days'].rolling(window=30).sum()
    df['rolling_on_time_rate'] = df['on_time_rate'].rolling(window=30).mean()
    
    # 特征缩放（树模型对缩放不敏感，但提升效率）
    from sklearn.preprocessing import RobustScaler
    scaler = RobustScaler()
    df[num_cols] = scaler.fit_transform(df[num_cols])
    
    return df

# 2. 特征工程（高维类别降维：卡方选择）
from sklearn.feature_selection import SelectKBest, chi2
from sklearn.preprocessing import OneHotEncoder
import pandas as pd

def feature_engineering(df):
    # 处理类别特征（频率编码+卡方降维）
    ohe = OneHotEncoder(handle_unknown='ignore', sparse=False)
    cat_encoded = ohe.fit_transform(df['mortgage_type'].values.reshape(-1,1))
    cat_df = pd.DataFrame(cat_encoded, columns=[f'mortgage_type_{i}' for i in range(cat_encoded.shape[1])])
    
    # 卡方选择：筛选与目标变量相关性高的类别特征
    selector = SelectKBest(chi2, k=10)  # 选择10个高相关类别
    X_cat = selector.fit_transform(cat_df, df['target'])
    selected_cat = pd.DataFrame(X_cat, columns=[f'cat_feat_{i}' for i in range(X_cat.shape[1]]))
    
    # 合并特征
    X = pd.concat([df[num_cols], selected_cat], axis=1)
    y = df['target']
    return X, y

# 3. 数据不平衡处理：调整类权重+stratified KFold
from imblearn.over_sampling import SMOTE
from sklearn.model_selection import StratifiedKFold

smote = SMOTE(random_state=42)
skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)

# 4. 训练流程
from lightgbm import LGBMClassifier
from sklearn.metrics import roc_auc_score

model = LGBMClassifier(scale_pos_weight=(1 - sum(y)/len(y)), # 调整类权重
                       n_estimators=200,
                       learning_rate=0.05,
                       max_depth=-1,
                       num_leaves=31)

for train_idx, val_idx in skf.split(X, y):
    X_train, X_val = X.iloc[train_idx], X.iloc[val_idx]
    y_train, y_val = y.iloc[train_idx], y.iloc[val_idx]
    
    X_train_res, y_train_res = smote.fit_resample(X_train, y_train)
    model.fit(X_train_res, y_train_res)
    
    pred = model.predict_proba(X_val)[:,1]
    auc = roc_auc_score(y_val, pred)
    print(f"验证集AUC: {auc:.4f}")

# 5. 部署与监控（假设更新触发条件）
import joblib
from datetime import datetime

# 模型保存
joblib.dump(model, 'bad_debt_model.pkl')

# 监控逻辑（假设每月检查）
def monitor_model():
    current_auc = evaluate_model()  # 自定义函数计算当前AUC
    if current_auc < last_auc - 0.05:  # AUC下降超过5%
        retrain_model()  # 触发重新训练
last_auc = evaluate_model()  # 初始AUC

（注：代码中rolling函数实现动态时间特征，SelectKBest实现高维类别降维，scale_pos_weight调整类权重，StratifiedKFold保持类别比例。）

5) 【面试口播版答案】

（约90秒）
“面试官您好，针对不良资产预测，我会选择LightGBM模型，因为它在大规模数据下计算效率更高，且能高效处理类别特征。首先，特征工程方面，我会提取动态时间特征，比如计算最近30天内的逾期次数，或者滚动还款及时率，这些能反映客户还款能力的短期变化；行为特征包括历史违约次数、还款及时率；结构特征如抵押物价值、债务收入比。数据预处理中，处理缺失值（数值用中位数，类别用众数）、异常值（IQR截断），数值特征标准化。为解决数据不平衡（违约样本少），采用SMOTE过采样，同时调整类权重（LGBM的scale_pos_weight参数），并使用stratified KFold保持类别比例。训练流程用5折交叉验证，通过网格搜索优化超参数（如学习率、树深度），目标是最大化AUC。模型部署为API接口，实时预测风险；监控方面，每月检查AUC变化，若下降超过5%，触发重新训练，确保模型持续有效。”

6) 【追问清单】

1. 问：如何处理高维类别特征（如“抵押物类型”有上百种取值）？
   回答要点：对高维类别特征采用卡方检验（SelectKBest）筛选与目标变量相关性高的类别，减少维度并保留关键信息。

2. 问：模型过拟合如何应对？
   回答要点：限制树深度（如max_depth=5）、增加学习率（如0.1），或使用L1正则化，结合交叉验证评估过拟合情况。

3. 问：监控指标除了AUC，还有哪些？
   回答要点：准确率、精确率、召回率，以及业务指标（如风险预警准确率、预警成本降低比例）。

4. 问：动态时间特征如何计算？
   回答要点：用滚动窗口（如pandas的rolling函数），比如最近30天逾期次数，或滚动还款及时率，反映短期风险变化。

5. 问：模型选型与数据规模的权衡？
   回答要点：数据量超过百万时选择LightGBM，数据量较小（如10万以内）时考虑XGBoost，结合计算资源限制（如服务器算力）。

7) 【常见坑/雷区】

1. 忽略动态时间特征导致模型无法捕捉短期风险变化（如客户近期还款行为突变）。
2. 高维类别特征直接独热编码，导致维度爆炸，计算效率低，应采用卡方选择降维。
3. 数据不平衡仅用SMOTE，未调整类权重或stratified KFold，影响模型泛化能力。
4. 模型部署后无监控机制，性能下降后未及时更新，导致业务决策错误。
5. 模型选型未结合数据规模，比如用LightGBM处理小数据，计算效率反而低。