2.3.4 样本选择

样本选择对模型的结果影响非常大。为得到较好的模型表现，建模样本通常需要满足以下原则。

●代表性（Representativeness）：样本必须能充分代表总体。只有这样，从样本中提炼的数理关系才能有效预测未来真实场景的数理关系。例如，消费金融场景客群可能与小额现金贷场景下的客群有所差异，因此不能直接使用不同客群作为样本来建模。

●充分性（Adequacy）：样本集的数量必须满足一定数量要求。当样本量较小时，无法满足统计的显著性（Statistical Significance）要求，即置信度（Confidence Level）较低。评分卡建模通常要求正负样本的数量都不少于1500个。随着样本量增加，模型的效果也会有显著提升。而神经网络等多参数模型通常要求样本量在50万个以上，否则很难保证模型的稳定性。

●时效性（Timeliness）：在满足样本量充足的前提下，通常要求样本的观测期与实际应用时间节点越接近越好。银行等客群稳定的场景，观察期可长达一年半至两年，然而在许多平台，很难保证样本都处在稳定的较近期的时间点上。此时可以通过迁移学习（Transfer Learning）等方法对样本进行挑选或对变量进行映射，使得早期样本与近期样本有相似的数据分布。

●排除性（Exclusions）：虽然建模样本需要具有代表整体的能力，但某些法律规定不满足特定场景贷款需求的用户不应该作为样本。例如，针对行为评分卡用户，无还款表现用户或欺诈用户等都不应放入当前样本集。

样本的选择通常会严格遵循上述标准。业务开展早期，通常很难满足上述所有要求。当有少量样本积累时，时效性和排除性通常较容易满足。而充分性和代表性则需要大量的数据支持，并使用拒绝推断等方法，才可以近似地得到保障。