本周，番茄风控发布了关于决策树进行相关的规则探索的内容，如：        ①如何做好信贷风控规则的挖掘(实操干货上)        ②手把手教你用python实现决策树的策略规则挖掘

        以上关于树模型相关的内容，大部分都是用python来实现相关逻辑。有童鞋说想进一步了解下树模型相关内容，并且提到是否有跟SAS相关的知识来实现树模型内容，今天就跟介绍最经典的随机森林的算法在欺诈场景中的实现，并且结合SAS的实操进行演绎。

随机森林算法是由大量决策树构成的，同时这些决策树相互之间是没有关联的。随机森林在生成众多决策树的过程中，是通过对建模数据集的样本观测和特征变量分别进行随机抽样，每次抽样结果均为一棵树，且每棵树都会生成符合自身属性的规则和评分，而森林最终集成所有决策树的规则和评分，实现随机森林算法的处理效果。

由于每棵决策树的特征变量是随机选取的，因此每棵树的训练结果对样本客户的评分规则是不同的，而随机森林是综合所有决策树的评分规则，从而对样本客户进行全局评分，避免了由于少量树训练效果较差导致的局部较大误差。因此，随机森林与单棵决策树相比较，其模型效果显得更为准确且可靠。随机森林算法具有训练过程简单、建模速度快、能够深入数据局部、预测能力较强、结果容易解释等优点，在金融领域中被广泛应用于信用评分、反欺诈等样本数据量较大、响应率较低的场景。现结合某场景案例，通过SAS编程语言实现随机森林算法，并介绍建立反欺诈模型的核心环节，同时对模型数据结果进行评估，介绍模型在实际业务中的应用。




1、建模宽表

某金融机构现有一分期产品的贷前反欺诈场景，拟通过开发反欺诈模型来预测申请进件用户的欺诈概率风险，从而辅助贷前信审环节前的风控业务决策。通过对存量用户的贷后数据表现分析，以及实际业务理解，欺诈用户定义逻辑为首期逾期天数达到30天及以上。建模样本数据宽表样例如表1所示，样本观测数量为6000，特征字段数量为62个，其中ID为客户进件号；Flag为目标变量（二分类标签，1为有欺诈，0为无欺诈）；X1~X60为自变量，特征数据维度主要包括基本信息、人行征信、银联消费、多头借贷、设备信息等（X变量的部分样例如表2所示）。




                                                                         表1 建模数据宽表












                                                                    表2 自变量X特征标签









2、模型训练

建模宽表data_model准备好后，即可进行模型训练环节，如下代码为采用SAS编写宏进行模型训练，具体重要步骤与参数解读在语句代码后已添加注释。






模型训练运行上述代码后，生成的模型评分规则以SAS文件score_rule&i.输出至指定路径&path.，同时输出样本评分结果数据集为data_score，部分样例如表3所示，字段Score为样本用户的欺诈评分。




                                                                      表3 样本欺诈评分









3、模型评估

由于随机森林算法是综合了所有决策树训练后的评分规则，而每棵树是根据自身随机抽取的变量进行评分的，样本用户的最终评分是无法与所有变量直接形成函数关系，因而我们需要重点关注样本用户最终评分的准确性。




采用随机森林建立此模型的场景目的是为了识别欺诈用户，在业务决策中提高对欺诈用户的“识别率”，降低欺诈用户的“误报率”。若对表3评分Score进行从高到低排序等分N个区间，则“识别率”与“误报率”定义如下：




识别率 = 累计欺诈人数/ 全部欺诈人数

误报率 = 累计人数/ 累计欺诈人数




为了更直观介绍以上两个评估指标，现对评分结果数据Score降序等分30组，并分别计算出每组的预测欺诈概率（Score）的平均值、实际欺诈占比与数量，SAS实现功能代码如下：






模型评估运行上述代码后，生成的结果数据集data_index如下表（前5列所示），根据宽表生成的每组总人数、欺诈人数、预测欺诈比例（预测概率平均值）、实际欺诈比例，可以进一步计算出评估指标“识别率”与“误报率”：

                                                                  

                                                                  表4 样本评估指标









根据上表数据可以得出，第1组的“识别率”为累计欺诈人数（32）/全部欺诈人数（160）≈20%，表示预测200个客户（占全部客户的3.33%）中，覆盖了全部真实欺诈客户的20%；第1组的“误报率”为累计人数（200）/累计欺诈人数（32）≈6，表示每预测6个客户可剔除1个真实欺诈客户。




同理可知，第2组的“识别率”=（32+21）/160≈33%，表示预测400个客户（占全部客户的6.67%）中，覆盖了全部真实欺诈客户的33%；“误报率”=（200+200）/（32+21）≈8，表示每预测8个客户可剔除1个真实欺诈客户。









                                                                图1 识别率与误报率曲线




如上图所示为识别率与误报率的关系趋势图，其中横坐标为误报率，纵坐标为识别率。随着误报率的增加，识别率也在增加，符合实际业务的变化趋势。图中曲线的拐点出现的越早，则模型的应用效果越好。图中的拐点大体出现在识别率为90%的位置，对应误报率为26（26:1），若以此规则在实际业务中进行决策应用，可以根据客户的预测欺诈评分，每处理26个用户即可剔除1个真实欺诈客户，进而可以预防90%欺诈事件的发生。

从结果数据可知，指标识别率与误报率在分析最终模型效果，以及反欺诈场景对的应用中，都有参考的意义。本次文章所提到的内容，建议大家结合在知识星球上提供的数据集进行练习，完整版本的代码也将在星球中后续发布：












另：









~原创文章

...

end