• 说明：
  • 常见的模型报告/paper，篇幅集中在模型对比上，通过核心指标（比如AUC）的提升来说明新模型比老模型好
  • 在自己的工程实践中，更多时候需要说明
    • 新建立的模型是怎么work的
    • 什么情况下什么类型的case会预测的好，什么情况和case会预测的不好
    • 我预期会有效的特征/case为什么会无效，哪些以外的特征/case
  • 侧重于单模型分析而非多模型对比，所以有了以下的模型分析报告格式
• 问题：
  • 问题背景
  • 问题定义
  • 数据来源
    • 分几部分，时间，数据如何产生，主要内容，数据量
• 建模
  • 样本的定义
  • X，包含哪些特征，分为哪几类，从什么数据生产，特征生成方法，特征含义
  • Y，如何构建，正样本比例
  • 做了什么预处理（缺失值填充/样本权重）
  • 使用的模型及参数
• 模型评估
  • 训练集/校验集/测试集
  • 调参技巧，模型提升技巧
  • 训练loss降低过程图
  • auc，pr，ks，校准度
  • 对样本分类，看不同类的效果
• 特征分析
  • shap表
  • 特征分析表：分类分为数，缺失率，auc，缺失部分的label均值，模型中的权重
  • 人工分析：
    • 单特征分析
    • 特征交叉分析
    • 理论上有效实际无效的，理论上无效实际有效的特征
    • 对shap结果进行聚类，看每一类的特征特点和预测效果
• 案例分析
  • 重点分析四类case，正例模型分极高，正例模型分极低，负例模型分极高，负例模型分极低