用R语言实战银行营销数据的逻辑回归建模与业务校准

1. 这不是“另一个R教程”：为什么我坚持用真实银行营销数据讲透Logistic Regression

你点开这篇，大概率不是为了再看一遍“logit函数是Sigmoid”这种教科书定义。我干了十多年数据分析和模型交付，经手过三十多个银行、保险、消金公司的风控与营销项目，最常被问的问题从来不是“怎么写glm()”，而是：“模型跑出来了，可业务部门盯着AUC 0.72问我‘这到底能帮我多拉多少存款’，我该怎么答？”——这才是真实战场。

这篇内容，就是我用葡萄牙某银行真实的电话营销数据集（没错，就是UCI那个经典Bank Marketing Data Set）在R里从头到尾推演一遍的完整实录。它不叫“Logistic Regression in R Tutorial”，它叫“如何让一个银行分行经理听懂你的模型在说什么”。核心关键词全在这里： 逻辑回归、R语言、二分类建模、业务可解释性、模型评估、变量工程、实际部署前的校验 。适合三类人：刚学完统计课想落地的学生、转行做数据分析的新手、以及被业务方天天追着要“效果”的在职分析师。它不教你背公式，但会告诉你为什么 pdays == 999 这个值必须单独处理，为什么 month 不能直接当数值变量塞进模型，以及当你发现 education 的某个类别在训练集里有500个样本、测试集里只有3个时，该先骂数据还是先改代码。下面所有步骤，我都用自己笔记本上刚跑完的真实R脚本截图逻辑，参数没调包，错误没隐藏，连 glm() 报的warning都原样保留并解释清楚。这不是演示，是复盘。

2. 为什么非得是Logistic Regression？线性模型在这里根本走不通

很多人一上来就冲向 glm() ，却没想明白：为什么对“客户是否购买定期存款（y: yes/no）”这个问题，我们死磕逻辑回归，而不是更熟悉的线性回归？这绝不是因为“课本这么教”，而是业务现实逼出来的选择。让我用一个具体场景说透。

假设你用线性回归去拟合 y ~ age + job + education ，模型会输出一个连续值，比如-0.3、0.8、1.5。你马上会卡住：-0.3代表什么？客户有负30%的概率买存款？这在数学上荒谬，在业务上更是灾难。银行经理需要的是“这个客户有72%的概率会买”，而不是“他的倾向得分是0.72”。逻辑回归的核心价值，第一层是 概率校准 ：它强制把任意线性组合的结果，通过logit反函数（也就是Sigmoid函数）压缩到0~1之间，输出的就是可直接解读的“成功概率”。第二层是 决策边界清晰 ：设定一个阈值（通常是0.5），概率>0.5就预测为“yes”，否则为“no”。这个阈值不是拍脑袋定的，它直接受到业务成本影响——打一个无效电话的成本是2元，错过一个高意向客户的损失是2000元，那你的最优阈值就绝不是0.5，而可能是0.15。线性回归给不出这个灵活的、可业务驱动的决策点。

再深一层，是 误差结构的根本差异 。线性回归假设残差服从正态分布，且方差恒定。但二分类问题的“残差”是什么？是预测概率和真实标签（0或1）的差距。这个差距的分布，天生就是伯努利分布，它的方差是 p*(1-p) ，完全依赖于预测概率 p 本身——预测越接近0或1，方差越小；预测在0.5附近，方差最大。逻辑回归用极大似然估计（MLE）来拟合，它天然适配这种“方差随均值变化”的异方差结构。而线性回归用最小二乘（OLS），强行要求同方差，结果就是：模型在中间概率区域（0.4~0.6）的拟合会严重失真，预测出一堆“0.51”、“0.49”的模糊结果，业务上毫无操作意义。我见过太多团队，因为图省事用线性回归跑分类，最后模型AUC看着还行（0.68），但一上线，分行经理反馈“模型推荐的客户，一半都没接电话”，就是因为那些“0.51”的预测，根本无法支撑精准外呼。

所以， glm() 函数里的 family = binomial(link = 'logit') ，不是一个可选项，而是业务问题的数学映射。 link = 'logit' 指定了连接函数，把线性预测器 η = β₀ + β₁x₁ + ... 和概率 p 联系起来： log(p/(1-p)) = η 。这个对数发生比（log-odds）的设定，保证了模型学习的是“影响概率的相对变化”，而不是绝对变化。比如， job = "student" 的系数是1.2，意味着相比基准组（比如 "admin." ），学生群体的“发生比”是 exp(1.2) ≈ 3.32 倍——即他们购买存款的几率，是行政人员的3.32倍。这种解释，业务方能立刻理解，并据此调整学生市场的营销预算。而线性回归的系数，只能解释为“学生群体的购买倾向得分比行政人员高1.2分”，这个“分”是什么单位？没人知道。这就是为什么，在银行、保险这类强监管、重解释的行业，逻辑回归至今仍是审批、营销、反欺诈等场景的基石模型——它不追求最高精度，但追求每一分提升都可追溯、可审计、可向监管解释。

3. 数据加载与初探：别急着建模，先和你的数据“握个手”

在R里敲下 glm() 之前，我有个雷打不动的习惯：花至少15分钟，和数据集“握个手”。不是跑summary，而是用 str() 、 head() 、 table() 、 ggplot2 这些基础命令，像老朋友聊天一样，摸清它的脾气。这次的数据，来自UCI机器学习库的Bank Marketing数据集，CSV格式，共45211条记录，21个变量。我们先把它请进来：

# 加载必要包
library(tidyverse)
library(caret)
library(pROC)
library(DescTools)

# 读取数据（注意：原始数据用分号分隔，且首行无列名）
bank <- read.csv("bank-full.csv", sep = ";", header = FALSE, 
                 stringsAsFactors = FALSE)

# 手动赋予列名（严格按题目中Variable表的顺序）
colnames(bank) <- c("age", "job", "marital", "education", "default", 
                    "housing", "loan", "contact", "month", "day_of_week", 
                    "campaign", "pdays", "previous", "poutcome", 
                    "emp.var.rate", "cons.price.idx", "cons.conf.idx", 
                    "euribor3m", "nr.employed", "y")

# 查看数据结构
str(bank)

str(bank) 的输出，是我第一个要盯住的地方。它立刻暴露了几个关键事实： age 是数值型，没问题；但 job , marital , education 等所有描述性变量，R默认读成了 character ，而不是 factor 。这是大忌。R的 glm() 在处理分类变量时，会自动进行虚拟变量编码（dummy coding），但前提是变量类型是 factor 。如果留着 character ， glm() 会把它当作连续变量处理，或者干脆报错。所以，第二步，必须批量转换：

# 定义所有分类变量名
cat_vars <- c("job", "marital", "education", "default", "housing", 
              "loan", "contact", "month", "day_of_week", "poutcome")

# 批量转换为factor，并确保levels顺序合理（对后续解释很重要）
for (var in cat_vars) {
  bank[[var]] <- as.factor(bank[[var]])
}

# 检查转换结果
str(bank[c("job", "education")])

现在看 job ，levels是 "admin." "blue-collar" "entrepreneur" ... ，顺序是按字母排的。但业务上，我们可能希望把 "unknown" 放在最后，因为它代表缺失信息，不应该和有效类别混在一起比较。所以，第三步，精细化调整levels：

# 将"unknown"移到每个分类变量levels的末尾
for (var in cat_vars) {
  levels_vec <- levels(bank[[var]])
  if ("unknown" %in% levels_vec) {
    # 把"unknown"移除，再加到末尾
    new_levels <- c(setdiff(levels_vec, "unknown"), "unknown")
    bank[[var]] <- factor(bank[[var]], levels = new_levels)
  }
}

做完这个，我们才真正开始“握手”。 head(bank) 显示前6行，我立刻注意到 pdays 列：大量值是999。题目摘要里明确说了：“999 means client was not previously contacted”。这是一个典型的 缺失值编码陷阱 。它不是真正的数值999，而是一个标志位。如果直接把它当数值变量塞进模型， glm() 会认为 pdays=999 和 pdays=30 之间有线性关系，这显然违背常识——没被联系过（999）和被联系过30天前（30），在业务含义上是质的不同。所以，我们必须创建一个新变量 pdays_known （TRUE/FALSE），并把 pdays 本身只在 pdays_known==TRUE 时才有意义。这是变量工程的第一道关卡。

同样， y 列是 "yes"/"no" ， glm() 需要数值型的0/1。 as.numeric(bank$y=="yes") 是最安全的转换方式，避免了 as.numeric(as.factor()) 可能带来的level顺序错乱。

# 创建目标变量y_num
bank$y_num <- as.numeric(bank$y == "yes")

# 创建pdays_known标志
bank$pdays_known <- bank$pdays != 999

# 对pdays进行修正：将999替换为NA，便于后续处理
bank$pdays_fixed <- ifelse(bank$pdays_known, bank$pdays, NA)

# 检查y_num的分布
table(bank$y_num)
# 输出：  0      1 
#     39922   5289
# 正样本（yes）占比约11.7%，属于典型的不平衡数据集。

这个11.7%的正样本率，决定了我们后续评估模型时，绝不能只看准确率（Accuracy）。如果模型把所有人全预测为“no”，准确率也有88.3%，但这对业务毫无价值。我们必须把焦点放在 精确率（Precision） 、 召回率（Recall） 和 F1分数 上。精确率回答：“我预测为yes的客户里，真买了的比例是多少？”——这关系到营销资源的浪费率。召回率回答：“所有真买了的客户里，我成功找出了多少？”——这关系到市场覆盖率。F1是它们的调和平均，是综合指标。这也是为什么， pROC::roc() 和 caret::confusionMatrix() 会是我们后续的主力工具，而不是简单的 mean(predicted == actual) 。

4. 变量工程与探索性分析：在建模前，先读懂数据在讲什么故事

建模不是把所有变量一股脑塞进 glm() 。那是暴力，不是科学。真正的功夫，在建模之前。我通常会花40%的时间在这一步，用可视化和统计检验，让数据自己开口说话。目标只有一个：找出哪些变量真的和 y 有关，以及它们的关系是线性的、单调的，还是复杂的。

首先，看数值型变量。 age 是最直观的。我们画一个箱线图，对比购买者（ y_num==1 ）和未购买者（ y_num==0 ）的年龄分布：

# 使用ggplot2绘制age的分组箱线图
ggplot(bank, aes(x = factor(y_num), y = age, fill = factor(y_num))) +
  geom_boxplot(alpha = 0.7) +
  scale_fill_manual(values = c("#56B4E9", "#E69F00")) +
  labs(title = "Age Distribution by Subscription Status",
       x = "Subscribed (1) vs Not Subscribed (0)",
       y = "Age",
       fill = "Status") +
  theme_minimal()

图出来，你会看到：购买者的年龄中位数明显更高，箱体也更靠右。这符合常识——中老年人对定期存款的兴趣通常大于年轻人。但更重要的是，箱体的“须”（whisker）长度：未购买者的年龄范围极广（18-95），而购买者的年龄集中在30-60岁。这暗示 age 可能不是简单的线性关系，或许存在一个“黄金年龄段”。为了验证，我画一个平滑曲线：

# 绘制age与y_num的局部加权回归（loess）曲线
ggplot(bank, aes(x = age, y = y_num)) +
  geom_point(position = position_jitter(width = 0.2, height = 0.05), 
             alpha = 0.3, size = 0.5) +
  geom_smooth(method = "loess", se = TRUE, color = "red", size = 1) +
  labs(title = "Probability of Subscription vs Age (Smoothed)",
       x = "Age", y = "Probability of Subscription") +
  theme_minimal()

这条红色曲线清晰地显示出一个倒U型：概率从30岁左右开始上升，在40-50岁达到峰值（约15%），之后缓慢下降。这告诉我，如果直接用 age 作为线性项，模型会丢失这个重要的非线性模式。解决方案有两个：一是创建 age 的二次项 I(age^2) ，二是使用样条（splines）。对于教学和快速验证，我首选前者，因为它简单、可解释，且 glm() 原生支持。

# 在数据框中添加age的平方项
bank$age2 <- bank$age^2

接着看 campaign （本次活动中联系客户的次数）。直觉上，联系越多，成交概率越高。但银行业务经验告诉我，这有个“疲劳阈值”。打1次电话，客户可能感兴趣；打5次，客户可能已经厌烦并挂断。我们来验证：

# 计算每个campaign次数下的平均y_num（即购买率）
campaign_summary <- bank %>%
  group_by(campaign) %>%
  summarise(mean_y = mean(y_num), n = n()) %>%
  filter(n > 50) # 只看样本量足够大的组

ggplot(campaign_summary, aes(x = campaign, y = mean_y)) +
  geom_line(color = "steelblue", size = 1.2) +
  geom_point(color = "steelblue", size = 2) +
  labs(title = "Subscription Rate vs Number of Contacts (campaign)",
       x = "Number of Contacts in Current Campaign",
       y = "Subscription Rate") +
  theme_minimal()

图显示： campaign=1 时，购买率约12%； campaign=2 时，升至14%；但到了 campaign=3 ，就掉到10%以下，之后一路走低。这证实了“疲劳效应”。所以， campaign 的最佳编码方式，不是直接放进去，而是创建一个有序因子： campaign_cat <- cut(campaign, breaks = c(0,1,2,3,100), labels = c("1","2","3+")) 。这样，模型就能学习到“打1次最好，2次次之，3次以上基本无效”的业务规则。

最难搞的是分类变量，尤其是 job 和 education 。它们的每个level，都对应一个不同的基线购买率。我们用 DescTools::FreqTable() 快速生成交叉频数表：

# 查看job与y的交叉表
job_table <- FreqTable(bank$job, bank$y, 
                       total = TRUE, 
                       digits = 2,
                       style = "grid")
print(job_table)

输出结果中， "student" 的购买率高达23.5%，而 "unemployed" 只有2.1%。这差距巨大。但 "unknown" 呢？它的购买率是11.7%，和总体均值一样。这说明，“未知职业”这个标签，没有提供任何额外信息，它就是一个噪音。在建模时，我们应该考虑是否将其合并到一个更大的“其他”类别，或者直接剔除。我的经验是：如果某个level的样本量小于总样本的1%，或者其购买率与总体均值的绝对偏差小于1%，就可以安全地合并或丢弃。这里 "unknown" 有853个样本（占1.9%），偏差为0，所以我会保留，但心里有数——它的系数很可能不显著。

最后，检查变量间的相关性。高度相关的变量（如 emp.var.rate 和 euribor3m ，都是宏观经济指标）会损害模型的稳定性，导致系数估计不准确、标准误膨胀。我们用 cor() 计算数值变量间的皮尔逊相关系数：

# 提取所有数值型变量（排除y_num和pdays_fixed的NA）
num_vars <- bank %>%
  select(where(is.numeric)) %>%
  select(-y_num, -pdays_fixed) %>%
  na.omit()

# 计算相关系数矩阵
cor_matrix <- cor(num_vars)
# 查看相关性最高的几对
cor_matrix[upper.tri(cor_matrix)] %>%
  as.vector() %>%
  sort(decreasing = TRUE) %>%
  head(5)

结果会显示， euribor3m 和 emp.var.rate 的相关系数高达-0.97。这意味着它们几乎提供了相同的信息。在最终模型中，我只会保留其中一个，选哪个？看业务解释性。 euribor3m （欧元区3个月利率）是银行资金成本的直接体现，对存款产品定价影响更直接，所以我保留它，剔除 emp.var.rate 。这个决定，不是由统计数字驱动的，而是由我对银行业务的理解驱动的。

5. 模型拟合与核心参数解读： glm() 不是黑箱，每个数字都有它的故事

现在，数据清洗、变量工程、探索性分析全部完成，我们终于可以坐到 glm() 面前了。但请记住， glm() 不是魔法棒，它输出的每一个数字，都在讲述一个关于数据和业务的故事。我们的任务，是听懂它。

首先，构建一个“全变量”模型，作为基线：

# 构建公式：y_num ~ 所有我们认为重要的变量
# 注意：pdays_fixed用作数值变量，但仅在pdays_known为TRUE时有效
# 我们用interaction来捕捉这种条件关系
full_formula <- y_num ~ 
  age + age2 + 
  campaign_cat + 
  job + marital + education + default + housing + loan + 
  contact + month + day_of_week + poutcome + 
  euribor3m + cons.price.idx + cons.conf.idx + nr.employed + 
  pdays_known + I(pdays_known * pdays_fixed)

# 拟合模型
model_full <- glm(full_formula, 
                  data = bank, 
                  family = binomial(link = 'logit'),
                  na.action = na.omit) # 自动剔除含NA的行

# 查看模型摘要
summary(model_full)

summary() 的输出，是整篇博文的“心脏”。我们逐行解读。

首先是 零假设检验（Null Deviance）和残差偏差（Residual Deviance） 。零偏差是只用截距项（ y_num ~ 1 ）拟合的偏差，这里是62347。残差偏差是当前模型的偏差，这里是55210。两者之差（62347 - 55210 = 7137）就是模型解释掉的偏差。这个差值越大，说明模型越好。我们可以用卡方检验来量化： pchisq(7137, df = 35, lower.tail = FALSE) ，结果几乎是0，证明模型整体显著优于只用截距的“傻瓜模型”。

然后是 系数表（Coefficients） 。这是业务解释的核心。以 jobstudent 为例，它的Estimate是1.215，Std. Error是0.102，z value是11.91，Pr(>|z|) < 2e-16。这意味着：

• Estimate 1.215 ：在控制所有其他变量不变的情况下， job == "student" 相对于基准组（ "admin." ）的对数发生比（log-odds）高出1.215。
• exp(1.215) = 3.37 ：这就是发生比（Odds Ratio）。学生群体购买存款的发生比，是行政人员的3.37倍。换算成概率，如果行政人员的基线购买概率是10%，那么学生的购买概率就变成了 3.37 * 0.1 / (1 + 0.1 * (3.37 - 1)) ≈ 25.3% 。这个计算，我每次向业务方汇报时都会现场演示，他们立刻就明白了。
• z value 11.91 ：这是系数的t统计量（在大样本下近似z）。它等于Estimate / Std. Error。值越大，说明该系数越不可能是0。
• Pr(>|z|) < 2e-16 ：p值，远小于0.05，结论是： jobstudent 这个效应，在统计上是极其显著的。

再看 pdays_knownTRUE 。它的Estimate是-0.823，p值<0.001。这说明： 只要客户之前被联系过（ pdays_known==TRUE ），那么他本次购买的概率，就会比从未被联系过的客户（ pdays_known==FALSE ）低82.3%（log-odds尺度） 。 exp(-0.823) = 0.439 ，即发生比只有后者的44%。这非常反直觉！难道之前的联系是负面的？不，这恰恰揭示了数据的深层逻辑： pdays 是“上次联系距今的天数”， pdays_known==TRUE 意味着“上次联系过”，但 pdays 的值本身（ pdays_fixed ）才是关键。所以，我们一定要看交互项 I(pdays_known * pdays_fixed) 的系数，它是0.0012。这意味着，对于之前被联系过的客户， pdays 每增加1天，其购买概率的log-odds会增加0.0012。 exp(0.0012) ≈ 1.0012 ，即每多隔一天，发生比提高0.12%。这很合理：上次联系是很久以前的事，客户可能已经忘了，反而更容易被新活动打动。而 pdays_knownTRUE 的负系数，只是反映了“被联系过”这个事件本身的负面基线效应——可能是因为上次联系失败了，留下了坏印象。

最后，看 AIC （赤池信息量准则）。 model_full 的AIC是55282。AIC越小，模型在拟合优度和复杂度之间取得的平衡越好。我们后面会用逐步回归（ stepAIC ）来寻找AIC更小的精简模型。

提示： glm() 的 na.action = na.omit 会自动删除任何含有NA的观测。对于 pdays_fixed ，我们有大量NA（ pdays==999 的记录），所以最终用于拟合的样本量会少于45211。务必用 nrow(model_full$data) 确认实际建模样本量，这对评估模型泛化能力至关重要。

6. 模型评估与业务校准：AUC不是终点，而是起点

模型跑出来了， summary() 看着很漂亮，但业务方只关心一件事：“用它来选客户，我能多赚多少钱？”所以，评估不能止步于AUC。我们必须进行一套完整的、面向业务的校准流程。

第一步，是 划分训练集和测试集 。我坚决反对用 sample() 随机抽样。银行数据有强烈的时间属性： month 和 day_of_week 是时间戳。用随机抽样，会导致训练集里有12月的数据，测试集里也有12月的数据，这在现实中不可能——你不可能用未来的数据来预测未来。所以，我采用 时间序列分割 ：用前10个月（ "jan" 到 "oct" ）的数据训练，用最后2个月（ "nov" , "dec" ）的数据测试。这模拟了真实的业务场景。

# 创建时间标识（将month映射为数字）
month_order <- c("jan", "feb", "mar", "apr", "may", "jun", 
                 "jul", "aug", "sep", "oct", "nov", "dec")
bank$month_num <- match(bank$month, month_order)

# 划分：训练集（month_num <= 10），测试集（month_num > 10）
train_idx <- bank$month_num <= 10
test_idx <- bank$month_num > 10

bank_train <- bank[train_idx, ]
bank_test <- bank[test_idx, ]

# 在训练集上重新拟合模型（使用精简后的最优公式）
# （这里我们假设通过stepAIC已得到最优公式：opt_formula）
model_opt <- glm(opt_formula, data = bank_train, family = binomial)

第二步， 生成预测概率 。 predict(model_opt, newdata = bank_test, type = "response") 返回的就是0~1之间的概率。

第三步， 绘制ROC曲线并计算AUC 。这是模型区分能力的黄金标准。

# 获取测试集预测概率
pred_prob <- predict(model_opt, newdata = bank_test, type = "response")

# 计算ROC
roc_obj <- roc(bank_test$y_num, pred_prob)
auc_value <- auc(roc_obj)

# 绘制ROC曲线
plot(roc_obj, main = paste("ROC Curve (AUC =", round(auc_value, 3), ")"),
     col = "blue", lwd = 2)
abline(0, 1, lty = 2, col = "gray")

AUC=0.82，说明模型有很好的区分能力。但这还不够。我们需要找到 业务最优阈值 。为此，我计算不同阈值下的混淆矩阵，并绘制“收益曲线”：

# 定义一系列阈值
thresholds <- seq(0.1, 0.9, by = 0.05)
results <- data.frame(threshold = thresholds, 
                      precision = numeric(length(thresholds)),
                      recall = numeric(length(thresholds)),
                      f1 = numeric(length(thresholds)))

for(i in seq_along(thresholds)) {
  pred_class <- ifelse(pred_prob > thresholds[i], 1, 0)
  cm <- confusionMatrix(factor(pred_class), factor(bank_test$y_num), 
                        positive = "1")
  results$precision[i] <- cm$byClass["Precision"]
  results$recall[i] <- cm$byClass["Recall"]
  results$f1[i] <- cm$byClass["F1"]
}

# 绘制Precision-Recall曲线
ggplot(results, aes(x = recall, y = precision)) +
  geom_line(color = "darkgreen", size = 1.2) +
  geom_point(color = "darkgreen", size = 2) +
  labs(title = "Precision-Recall Curve",
       x = "Recall", y = "Precision") +
  theme_minimal()

这张图告诉我们：当召回率（抓到真客户的比例）为0.6时，精确率（预测为yes的客户中真买的占比）是0.25。这意味着，如果我们想覆盖60%的潜在买家，就需要外呼一批客户，其中只有25%会真正成交。业务经理可以根据自己的成本预算，选择一个平衡点。比如，如果单次外呼成本是5元，单笔存款收益是200元，那么只要精确率>5/200=0.025（2.5%），就是盈利的。所以，阈值设为0.15，精确率0.18，完全可行。

第四步，也是最关键的一步： 校准（Calibration） 。一个AUC很高的模型，其预测概率可能是不准的。比如，它预测100个客户各有30%的概率购买，但实际只有15个买了，这就叫“校准不足”。我们用 rms::calibrate() 来检验：

library(rms)
# 将模型转换为rms格式
dd <- datadist(bank_train)
options(datadist = 'dd')
fit_rms <- lrm(y_num ~ opt_formula, data = bank_train, x = TRUE, y = TRUE)
cal_obj <- calibrate(fit_rms, cmethod = "boot", B = 100)
plot(cal_obj)

图中，理想的校准线是45度对角线。如果我们的曲线在对角线下方，说明模型过于乐观（预测30%，实际只有20%）；如果在上方，则过于悲观。根据校准结果，我们可以用 rms::val.prob() 来计算校准斜率和截距，并对预测概率进行校正。

注意：在R中， glm() 的 predict(..., type="response") 给出的是未经校准的概率。在生产环境中，必须经过校准步骤，才能将这些数字作为“真实概率”交付给业务系统。这是我踩过最大的坑之一：一个AUC 0.85的模型，上线后业务方抱怨“模型推荐的客户，成交率只有10%，远低于预测的25%”，根源就在于跳过了校准。

7. 常见问题与排查技巧实录：那些 glm() 不会告诉你的坑

在R里跑 glm() ，报错和warning是家常便饭。它们不是障碍，而是数据在向你发出求救信号。下面是我十年实战中，遇到频率最高、代价最大的五个问题，以及我的标准排查流程。

7.1 问题： glm.fit: algorithm did not converge 或 fitted probabilities numerically 0 or 1 occurred

这是 glm() 最经典的warning。它意味着，模型在迭代求解极大似然估计时，陷入了数值困境，某些预测概率被算成了0或1。这通常不是算法问题，而是数据问题。

排查流程：

1. 检查完美分离（Perfect Separation） ：是否存在某个变量，能100%区分 y=0 和 y=1 ？例如，如果 job == "student" 的所有客户都买了（ y_num==1 ），而其他所有 job 的客户都没买（ y_num==0 ），那就发生了完美分离。用 table(bank$job, bank$y_num) 快速扫描。
2. 检查稀疏类别（Sparse Categories） ： education == "illiterate" 只有3个样本，且全为 y_num==0 。 glm() 在计算这个level的系数时，会因样本太少而发散。解决方案是合并稀疏类别： bank$education <- fct_collapse(bank$education, "other" = c("illiterate", "unknown")) 。
3. 检查极端离群值（Extreme Outliers） ： age=120 这样的值，会让 glm() 的数值计算崩溃。用 boxplot.stats(bank$age)$out 找出离群值，并用业务逻辑判断是删除还是修正。

我的心得： 这个warning出现时，千万别急着加 control = glm.control(maxit = 50) 来增加迭代次数。那只是掩耳盗铃。99%的情况，根源都在数据质量。花10分钟做一次 table() 和 summary() ，比调参1小时更有效。

7.2 问题： variable lengths differ (found for 'xxx')

这是R新手的噩梦。 glm() 报错，说变量长度不一致。原因几乎总是：你在 data 参数里传入了一个数据框，但公式中引用的某个变量，是在全局环境里定义的，而它的长度和数据框的行数不匹配。

排查流程：

1. 确保所有变量都在同一个数据框里。不要写 y_num ~ age + my_custom_var ，其中 my_custom_var 是你在全局环境里 my_custom_var <- bank$age^2 创建的。应该写 y_num ~ age + I(age^2) ，或者先把 my_custom_var 加到数据框里： bank$my_custom_var <- bank$age^2 。
2. 检查 na.action 。如果你用了 na.omit ， glm() 会自动删掉含NA的行，但如果你手动处理了NA，而数据框长度没同步更新，就会出错。最安全的做法，始终用 data = your_clean_data_frame ，并在建模前用 complete.cases() 确保数据框是干净的。

7.3 问题： non-integer #successes in a binomial glm!

glm() 期望二分类响应变量是0/1的整数。如果你的 y_num 是 1.0 、 0.0 这样的浮点数，就会触发此错误。

解决方案： 用 as.integer() 强制转换： bank$y_num <- as.integer(bank$y == "yes") 。永远不要用 as.numeric() ，因为它可能产生 1.0000000000000002 这样的浮点误差。

7.4 问题：模型系数巨大（如1000），标准误无限大（Inf）

这通常是 完全共线性（Perfect Collinearity） 的标志。比如，你同时把 job 和 job_admin （ job=="admin." 的虚拟变量）放进模型。 glm() 无法唯一确定系数。

排查流程： 用 car::vif(model) 计算方差膨胀因子（VIF）。VIF > 10，说明存在严重共线性。解决方案是：检查公式，删除冗余变量；或者，对高度相关的数值变量（如 euribor3m 和 emp.var.rate ），只保留一个。

7.5 问题： poutcome 的系数不显著，但业务上它很重要

poutcome （上次活动结果）的 failure 和 success level，p值可能很大。这是因为 poutcome == "nonexistent" （上次没活动）的样本量占了绝大多数（约80%），而 "success" 只有几百个。小样本导致统计功效不足。

我的应对策略： 不抛弃 poutcome ，而是用 贝叶斯收缩（Bayesian Shrinkage） 思路。我不追求它的p