架构上的数据呈现：使用表格基础模型进行信用风险预测的重采样策略

信用违约预测是一个表格学习问题，具有严重的类别不平衡、异构特征和紧张的延迟预算。表格基础模型 (TFM) 通过上下文学习来解决这个问题，这使得它们的预测对上下文窗口的构建方式敏感。我们在 Home Credit and Lending Club 数据集上对四个经典模型和五个 TFM 进行基准测试，改变上下文构建策略（七个选项）和上下文大小（1K 到 50K）。在这两个数据集上，上下文策略的选择比 TFM 系列的选择解释了 AUC-ROC 的更多差异：平衡和混合采样比均匀采样增加了 3 到 4 个 AUC 点，并且差距超过了 TFM 之间的差距。在 5K 到 10K 示例的平衡背景下，最强的 TFM 达到了在完整数据上训练的经典基线的 AUC，同时还恢复了默认阈值 GBDT 无法做到的有意义的默认类召回。我们将此作为证据，证明上下文构建（而不是架构选择）是不平衡信用风险环境中 TFM 的主要部署杠杆。