车贷违约预测实战：随机森林与AdaBoost的风控模型调优指南

简介：面向金融风控与机器学习初学者，这份车贷违约预测实战资源提供了基于Python的完整建模流程。针对约20万条、49个字段的车贷数据集，实现了从数据加载、清洗、特征与目标分离，到数据集划分、模型训练与保存的全链路代码，包含随机森林与AdaBoost两种集成学习模型，并输出准确率、召回率、F1-score等评估指标，实测两者准确率分别为0.819和0.822。压缩包内共2个文件：一个csv格式的训练数据集和一个py格式的模型脚本，整体大小7.34MB，轻量易用，便于直接运行与二次修改。目前已有1062人学习下载，适合正在学习分类算法、想要参考完整赛题方案或快速搭建车贷违约预测模型的读者，可据此对比不同集成方法的实际效果。

1. 车贷违约预测到底在预测什么：先读懂“是否违约”这个标签

车贷违约预测是一个听起来直白、做起来容易翻车的任务。给定一份包含客户信息和贷款记录的数据集，要训练模型输出“这个客户未来会不会违约”，随机森林和AdaBoost恰好是两类最常用、最适合作为基线的集成分类模型。它们都基于决策树，但学习方式完全不同，拿同一个数据集跑一遍，你会同时得到“稳定基线”和“提纯冲刺”两种体验。这篇文章面向刚入门信贷风控、手里有数据集不知道怎么下手的人，也面向已经跑通裸模型、想弄清楚特征和踩坑点的从业者。我会把特征加工、模型训练、参数调整和业务落地串在一起，让你照着能复现，遇到坑也知道回看哪里。

2. 车贷数据清洗与特征构造：把“能不能还钱”翻译成数值

模型不认汉字，也不认“是否逾期过”这种口语描述，它只认数值。所以拿到车贷数据集的第一步不是急着调模型，而是把原始字段改造成结构化特征。这一步做不好，再强的随机森林和AdaBoost也白搭。

2.1 原始字段到模型特征：先做这三类变量

一份典型车贷数据集通常包含客户年龄、性别、婚姻状况、学历、收入、工作年限、负债收入比、贷款金额、贷款期限、首付比例、车辆品牌、车辆价格、历史逾期次数、征信查询次数等字段。我一般会先把它们分成三类，分别处理。

第一类是连续数值，比如年龄、收入、贷款金额、车辆价格。这类字段直接保留数值即可，但要注意量纲。收入从两三千到几万，贷款金额从几万到几十万，如果不做标准化，树模型本身不受量纲影响，但如果后面要对比特征重要性或者做线性降维，量纲会干扰判断。推荐的做法是只做缺失值填充，量纲问题交给树模型自己处理，不强行归一化。

第二类是类别字段，比如婚姻状况、学历、车辆品牌、所在城市。这些字段必须编码成数值。常见的做法是one-hot编码，把“已婚”“未婚”“离异”拆成三个0/1列。但车贷数据集里有一些类别层级特别多，比如车辆品牌可能有几十种，城市有上百种，全部one-hot会让特征维度爆炸。我建议对这类高频类别做频数编码：统计每个品牌出现的次数，把品牌替换成频数，能保留“常见品牌”的整体风险信号，又不会增加维度。如果品牌本身与违约率强相关，可以在后续用随机森林的特征重要性去验证。

第三类是时序和交互字段，比如贷款发放日期、最近一次征信查询日期。日期不能直接当数值喂给模型，要加工成“距离今天几个月”“距贷款发放时长”这类相对时间。交互特征可以手工加一两个，比如收入与贷款金额的比值，也就是负债压力指数，这个特征在车贷场景里比单独的收入和金额都更有区分度。

处理完这三类之后，还要做一次去重和异常值筛查。我遇到过同一客户在数据集里出现两遍，原因是渠道表格合并时没去重；这会直接让模型记住这条样本，训练集上飘高，测试集上回归现实。

下面是一个简单的特征加工示例，用pandas完成基本清洗：

import pandas as pd from sklearn.model_selection import train_test_split # 假设数据已读入df，关键字段包含： # age, income, loan_amount, car_price, marrige, education, loan_term df = pd.read_csv("car_loan.csv") # 1. 缺失值：收入用中位数填，贷款金额用均值填 df["income"] = df["income"].fillna(df["income"].median()) df["loan_amount"] = df["loan_amount"].fillna(df["loan_amount"].mean()) # 2. 异常值：收入小于0的记录剔除 df = df[df["income"] > 0] # 3. 交互特征：贷款金额占收入的比例，即负债压力 df["debt_pressure"] = df["loan_amount"] / df["income"] # 4. 类别频数编码：比如车辆品牌brand，统计每个brand的出现次数 brand_freq = df["brand"].value_counts().to_dict() df["brand_freq"] = df["brand"].map(brand_freq) # 5. 选择特征列 feature_cols = ["age", "income", "loan_amount", "car_price", "debt_pressure", "brand_freq", "loan_term"] X = df[feature_cols] y = df["is_default"] # 标签是0/1，1代表违约

这段代码先做了缺失值和异常值处理。收入用中位数填充是因为收入分布偏态明显，中位数比均值更稳健；贷款金额用均值填充则是因为金额相对正态。debt_pressure这个特征是我在多个车贷项目里验证过的，它能直接反映出客户每个月要还的钱占收入的比重，比单独输入贷款金额更接近风控认知。品牌频数编码用value_counts生成映射字典，实际操作时记得把训练集的映射存下来，测试集用同一个映射，避免信息泄漏。

2.2 标签定义与数据集划分：别让“已还清”和“未逾期”混在一起

给定数据集里通常有一个字段表示当前还款状态，常见值有“正常”“逾期”“已结清”“核销”等。做违约预测前必须先把这些状态翻译成二分类标签：1表示违约，0表示未违约。这个翻译动作看着简单，实际上最容易埋坑。

我见过一份数据把“已还清”和“当前正常”都归为0，看起来没毛病，但“已还清”的客户已经走完了整个生命周期，中间可能发生过逾期又还上了。如果数据集里记录了历史逾期次数，那么这些客户的历史逾期行为已经体现在特征里，再用“最终还清”当作未违约，等于让模型学“过程中逾期没关系，只要最终还清就不算违约”。对风控来说这显然不对。

一个相对靠谱的标签定义是：观察期内在贷款发放后固定期限内（比如M3，即逾期超过90天）发生逾期，或最终被核销，标记为1；其余标记为0。如果数据集只有最终状态，那至少要把“核销”“呆账”“法催”这类明确损失状态定义为1，把“正常结清”“当前正常”定义为0。

数据集划分同样需要小心。车贷数据是带时间戳的，如果直接用train_test_split随机打乱，很可能会把早期和晚期的客户混在一起，导致模型学到时间趋势，而不是真实的风险规律。我一般按贷款发放时间排序，前70%作为训练集，后30%作为测试集，这样能模拟“用历史预测未来”的真实场景。

# 按贷款发放日期排序，再划分，而不是随机打乱 df = df.sort_values("loan_date").reset_index(drop=True) cut_point = int(len(df) * 0.7) train_df = df.iloc[:cut_point] test_df = df.iloc[cut_point:] X_train = train_df[feature_cols] y_train = train_df["is_default"] X_test = test_df[feature_cols] y_test = test_df["is_default"] print(f"训练集样本数: {len(train_df)}, 违约率: {y_train.mean():.3f}") print(f"测试集样本数: {len(test_df)}, 违约率: {y_test.mean():.3f}")

这段代码先按日期排序，再切分，避免了随机划分带来的时间泄漏。打印违约率的意义在于检查训练集和测试集的分布是否一致——如果测试集违约率明显低于训练集，说明市场环境在变化，模型在测试集上的表现会虚高。后续调参时也要以这个按时间划分的测试集为准，不要原地再用随机划分。

3. 随机森林模型：用集成树先跑通一个能用的基线

随机森林是车贷违约预测里最稳的起点模型。它训练快、对特征尺度不敏感、不容易过拟合，而且能直接输出特征重要性。对于给定数据集，先用随机森林跑出一个可达90% AUC的基线，再决定要不要上AdaBoost或者其他复杂模型。

3.1 随机森林的投票机制与车贷场景的契合点

随机森林的核心理念是bagging加随机特征选择。它训练很多棵决策树，每棵树用训练集的随机子样本（bootstrap采样），每个节点分裂时只考虑随机抽出的部分特征，最后把全部树的预测结果投票或平均。这样做的结果是：单棵树可能过拟合，但上百棵树平均之后，方差被压下来，整体泛化能力很强。

车贷数据集通常的特点是特征维度不高、但噪声很多——客户的收入可能是填的，车辆价格可能是经销商调的，征信记录里也可能有错误。随机森林对这类噪声的容忍度比较高，因为单棵树的错误会被其他树的投票“稀释”掉。另外，车贷数据里连续特征和类别特征混杂，随机森林不需要像逻辑回归那样手动做多项式扩展，它天然能捕捉非线性关系。

随机森林还有一个对风控从业者特别有用的产物：特征重要性。它能告诉我们“征信查询次数”比“车辆颜色”重要多少，这个结论可以帮助业务方优化进件策略。不过要注意，特征重要性不等于因果重要性，它只能告诉我们哪些特征对预测有统计贡献，不能告诉我们删掉某个特征后业务风险真的会变化。

3.2 最小可复现代码：随机森林训练与参数说明

我用sklearn的RandomForestClassifier跑车贷数据的流程基本固定，三步：实例化、训练、评估。

from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import roc_auc_score, classification_report # 随机森林模型训练 rf_model = RandomForestClassifier( n_estimators=300, # 树的数量，300棵足够覆盖大多数车贷数据量 max_depth=10, # 限制树深度，防止单棵树过拟合 min_samples_split=20, # 节点分裂最小样本数，削弱噪声影响 min_samples_leaf=40, # 叶子节点最少样本数，让预测更平滑 class_weight="balanced", # 对违约样本加权，缓解样本不平衡 random_state=42, n_jobs=-1 # 使用全部CPU并行训练 ) rf_model.fit(X_train, y_train) y_pred_prob = rf_model.predict_proba(X_test)[:, 1] y_pred = rf_model.predict(X_test) auc = roc_auc_score(y_test, y_pred_prob) print(f"随机森林测试集AUC: {auc:.4f}") print(classification_report(y_test, y_pred))

这段代码里最值得解释的是四个参数。n_estimators决定森林规模，车贷数据量在几千到几十万之间，300棵是一个性价比很高的值，超过500收益很小；max_depth=10是控制过拟合的关键，很多初稿直接用默认的无限深度，结果训练集AUC接近1，测试集却掉下来；min_samples_leaf=40相当于给树加了一层“平滑”，让叶子至少包含40个样本，避免模型为了两个极端样本单独划片；class_weight="balanced"是按违约占比自动加权，比如违约样本占5%，则违约类权重约为正常类的约20倍，这一步能在不增加代码的情况下显著提升召回。

跑完之后我的习惯是画出特征重要性，确认模型没有依赖到奇怪的特征。

import matplotlib.pyplot as plt import numpy as np feat_imp = pd.Series(rf_model.feature_importances_, index=feature_cols).sort_values() feat_imp.plot.barh(figsize=(8, 6)) plt.xlabel("Feature Importance") plt.title("RF Feature Importance") plt.tight_layout() plt.show()

从这张图里你能快速看出哪些字段是“凑数”的。比如前两次我跑数据，车辆颜色被one-hot成了十几个特征，每个重要性都低得接近0，最后直接删掉。反过来，debt_pressure和income通常排在前三，说明交互特征确实有效。参数调整的思路也基于此：如果brand_freq重要性异常高，需要检查是不是频数编码时用了测试集信息，这种泄漏会让特征重要性虚高。

3.3 随机森林的参数边界：调参时先动哪个

随机森林的可调参数很多，但车贷场景下值得优先动的只有三个：max_depth、min_samples_leaf、n_estimators。顺序应该是先固定n_estimators到300，然后扫描max_depth和min_samples_leaf，最后回到n_estimators确认是否饱和。

我常用一段简单的网格搜索来确定最佳区间：

from sklearn.model_selection import GridSearchCV param_grid = { "max_depth": [6, 10, 15], "min_samples_leaf": [20, 40, 60] } gs = GridSearchCV( RandomForestClassifier(n_estimators=300, class_weight="balanced", random_state=42, n_jobs=-1), param_grid, cv=3, scoring="roc_auc", n_jobs=-1 ) gs.fit(X_train, y_train) print(f"最佳参数: {gs.best_params_}, AUC: {gs.best_score_:.4f}")

这段网格搜索只用3折交叉验证，因为车贷数据通常有几万条样本，3折已经能给出稳定的结果。如果数据量小于5000，建议改成5折。scoring="roc_auc"的原因是我们重点关注排序能力，而不是特定的阈值准确率。这里有一个血泪经验：网格搜索之前一定要先按时间划分，否则搜索过程本身会把时间泄漏信号当成最优参数，导致最终模型在真实验证集上翻车。

4. AdaBoost模型：在车贷违约预测里怎么调才不踩坑

随机森林是“平均思维”，AdaBoost是“纠错思维”。如果说随机森林输出的是脏数据下的稳定基线，AdaBoost则是把基线的错误挑出来反复学习的提升算法。但它在车贷数据上有几个特有的坑，调不好容易过拟合到噪声。

4.1 AdaBoost的加权机制与随机森林的差异

AdaBoost的训练逻辑是：先训练一棵弱决策树，然后提高被它分错的样本权重，再训练下一棵树，让新树更关注上一轮犯错的人。最后把所有树的加权投票作为输出。它和随机森林的本质区别在于：随机森林的各棵树是独立并行的，AdaBoost的每棵树都在前一轮的“错误地图”上生长，前后有强依赖。

这个机制对车贷场景意味着什么？如果数据集里有一群“老赖”的特征高度相似，AdaBoost会不断加大这些样本的权重，最终把它们完全记住。在测试集上，如果新客户的违约模式与那批老赖不完全一致，模型就会误判。所以AdaBoost在车贷数据上的表现往往不如随机森林稳定，除非数据集足够大、且违约样本的模式足够有代表性。

另一个实际差异是参数空间。随机森林主要调深度和叶子节点数，AdaBoost的核心是learning_rate和n_estimators。learning_rate控制每棵树对最终模型的贡献，调小一点能防止后期树被一两个异常样本带偏，但需要增加树的数量，训练时间会变长。在车贷数据集上，我一般把learning_rate设成0.1，n_estimators从100开始扫描。

4.2 AdaBoost代码实现：从默认参数到逐步调优

sklearn的AdaBoostClassifier默认基学习器是决策树桩，也就是深度为1的树。这个默认配置在车贷数据上通常表现不好，因为单个特征的分割能力太弱。我一般把基学习器换成深度为3的决策树，效果提升明显。

from sklearn.ensemble import AdaBoostClassifier from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import roc_auc_score # AdaBoost模型训练，基学习器用深度3的决策树 ada_model = AdaBoostClassifier( estimator=DecisionTreeClassifier(max_depth=3, min_samples_leaf=20), n_estimators=200, learning_rate=0.1, random_state=42 ) ada_model.fit(X_train, y_train) ada_prob = ada_model.predict_proba(X_test)[:, 1] ada_auc = roc_auc_score(y_test, ada_prob) print(f"AdaBoost测试集AUC: {ada_auc:.4f}")

注意新版本sklearn里base_estimator改名为estimator，如果你的环境是老版本，用base_estimator替代。max_depth=3意味着每棵决策树最多分裂三次，这样能捕捉一些交互关系，又不至于过拟合。learning_rate=0.1意味着每棵树对最终预测的贡献被缩小到10%，这要求后面有足够多的树来“补课”。200棵树在这个学习率下通常能收敛，但建议画一条AUC vs n_estimators曲线，观察AUC是否还在上升。如果还在上升，就继续加大n_estimators；如果AUC先升后降，说明已经过拟合，要回头调小learning_rate或增加min_samples_leaf。

实际项目中，AdaBoost对特征噪声比较敏感，所以它适合在特征工程做得比较干净的数据集上接棒随机森林。我通常的做法是先用随机森林做特征筛选，把重要性排在后30%的特征剔除，再用清洗后的特征跑AdaBoost。这样可以规避AdaBoost对无关特征的“纠结”。

# 用随机森林特征重要性筛选特征 imp = rf_model.feature_importances_ keep = [feature_cols[i] for i in np.argsort(imp)[- int(len(imp) * 0.7):]] print("保留特征:", keep) X_train_sel = X_train[keep] X_test_sel = X_test[keep] # 重新训练AdaBoost ada_model.fit(X_train_sel, y_train) ada_prob_sel = ada_model.predict_proba(X_test_sel)[:, 1] print(f"筛选特征后AdaBoost AUC: {roc_auc_score(y_test, ada_prob_sel):.4f}")

这个两段式做法在多数车贷数据集上能把AUC再提升0.01到0.03。但要注意，特征筛选必须在训练集内部做，不要用测试集参与筛选，否则属于特征泄漏。我见过有人直接用全量数据的特征重要性去筛选，然后再划分训练测试，这样测试集的AUC会虚高大约0.05。

5. 避坑指南：车贷违约预测里常见的3个翻车现场

做完随机森林和AdaBoost，你以为模型能上线了，其实还早。车贷数据里藏着几个固定的坑，几乎每个做过信贷风控的人都会踩一遍。我把最常见的三条写在这里，每条都按“现象—原因—解决”来说，遇到同样情况直接对上号。

5.1 样本不平衡：违约样本只有5%时，准确率是骗人的

现象：训练完模型，测试集准确率97%，但业务方说模型几乎找不到新违约客户。一查混淆矩阵，原来模型把所有客户都预测为“正常”，准确率高是因为正常客户本来就占95%。这不算模型，这是概率复读机。

原因：车贷数据集的违约率通常在2%到5%之间，模型在默认损失函数下发现“全部预测为正常”的损失最低，所以不愿意冒险把高违约概率的客户判成违约。准确率这个指标在极度不平衡的数据下完全失真。

解决：至少做三件事。第一，不用准确率，改用AUC、召回率、精确率、F1。第二，给模型加class_weight="balanced"，让少数类的错误付出更高代价。第三，在阈值选择上不要固定0.5，而是根据业务成本去寻找最优阈值，这一点我在第6章展开。如果数据量足够，也可以对违约样本做过采样，比如SMOTE，但车贷数据里违约客户的特征往往重复度低，合成样本容易伪造出不存在的人群，我更倾向于用class_weight，而不是SMOTE。

5.2 时间泄漏：用未来数据训练过去，AUC再高也没用

现象：模型训练时AUC 0.98，测试集AUC 0.88，看起来不错。但上线之后发现，模型对存量客户的预测准确，对新申请客户的预测几乎失灵。再一查，训练集和测试集是随机划分的，两边的客户来自同一时间段，模型学会了“那段时间整体经济环境”的信号，而不是客户自身的风险。

原因：车贷行为与宏观经济、公司信贷政策强相关。比如宽松放款的年份，整体违约率升高；紧缩年份，整体违约率降低。随机打乱划分会把这些时间信号混入训练集和测试集，模型在测试集上看到的“未来”其实已经被训练集泄漏了。

解决：严格按贷款发放日期切分训练集和测试集，前70%的订单训练，后30%的订单测试。交叉验证也要用时间序列分割，不能用普通K折。如果数据集没有日期字段，那就要特别注意特征里有没有“当前时间”相关的变量，比如“距今天数”“年龄”这类会随时间漂移的字段，它们也会带来间接的时间泄漏。最简单的验证方法是看AUC的绝对值有没有高得不正常，比如超过0.96，就要怀疑是不是泄漏了。

5.3 特征穿越：把“是否已还款”当成特征直接泄题

现象：有人在特征列表里放了一个字段叫current_overdue_days，当前逾期天数。模型AUC直接飙到0.99。业务方很开心，但产品经理指出：上线时根本没有这个数据，因为你要预测的就是“未来会不会逾期”，而current_overdue_days是发生逾期之后才有的结果。这就是典型的特征穿越。

原因：原始数据集是贷款某时点的快照表，里面记录了当前状态，这个状态与标签高度相关，甚至就是标签的一部分。特征和标签是同一件事的两种描述，模型学到的不是风险规律，而是“逾期的人就是逾期”这种循环逻辑。

解决：特征构建只能使用客户申请时点的信息、征信报告里历史还款的信息、贷款审批时点已知的信息。任何“当前状态”字段，比如当前逾期期数、当前应还金额、当前已还期数，都必须从特征里剔除。如果不确定某个字段是不是穿越特征，问自己一句：在贷款发放的那一刻，这个值我能知道吗？不能知道就删掉。

6. 把概率变成决策：校准与阈值选择的最后一步

模型输出的概率分不是真实的违约几率。随机森林和AdaBoost给出的分数，是树投票的加权比例，最大最小归一化不等于概率。业务要拿这个分数做决策，比如分数大于某个值就拒贷，就必须先做校准，再定阈值。

校准的常规做法是看校准曲线。横轴是模型预测概率区间，纵轴是该区间样本的真实违约率。如果曲线在对角线上，说明概率可信；如果曲线偏离严重，说明分数只能用于排序，不能用于绝对风险判断。sklearn里可以直接对比校准前后的表现：

from sklearn.calibration import CalibratedClassifierCV # 用等温回归校准概率，避免像Platt缩放那样强制sigmoid分布 rf_calib = CalibratedClassifierCV(rf_model, method="isotonic", cv=3) rf_calib.fit(X_train, y_train) calib_prob = rf_calib.predict_proba(X_test)[:, 1] # 校准前后的AUC一致，但校准后概率更接近真实违约率 print(f"校准前AUC: {roc_auc_score(y_test, y_pred_prob):.4f}") print(f"校准后AUC: {roc_auc_score(y_test, calib_prob):.4f}")

AUC不会因为校准而提升，因为校准是保序变换，但校准后的概率更有业务意义。比如校准前分数0.7对应的真实违约率可能只有0.3，校准后就变成0.68，这样业务才敢设置阈值。

阈值选择不能拍脑袋用0.5。车贷业务里，拒绝一个正常客户的成本（失去利息收入）远低于放给一个违约客户的损失（本金损失）。这两类代价不对等，最优阈值取决于两者的成本比。假设一笔贷款金额为A，预期收益率为r，违约损失率为l，那么最优阈值大致满足：预测违约概率高于某个临界点就拒贷。实际项目中，我会用验证集跑出不同阈值下的精确率和召回率，再套入业务成本公式：

这张表是示意，真正的成本数字要结合资金成本、逾期回收率来算。我自己的习惯是先算“拒绝误伤”的成本，再算“放款违约”的成本，两者相加最小的那个阈值就是业务最优解。校准和阈值这两步做完，前面的随机森林和AdaBoost才真正变成能上线决策的工具。

最后说一句我的教训：第一次做车贷违约预测时，我把随机森林调到了AUC 0.94，业务方验收也很满意，结果上线一个月后新贷款的坏账率反而比旧策略高。复盘发现是时间泄漏和阈值拍脑袋两个问题叠加。后来我把“先做时间切分、再做概率校准、最后用成本定阈值”变成固定流程，翻车概率才降下来。希望这份流程对你也有用，祝你在自己的数据集上早日跑通。

本文还有配套的精品资源，点击获取