企业的生产经营和经济效益可能会受到一些突发因素影响，而且突发因素往往对不同行业、不同类别的企业会有不同的影响。
思考
-
正则化提取打标签：类别太多，难分，如果要用这种方法的话只能给出一定数量的类别匹配，然后把其他剩余的类别归为一类；（如个体经营）
-
购买方数量也可能有助于企业分类，如生活用品公司的销售对象往往更加分散、数量更多；
（优点：有些日常类型的企业如家居企业、物流行业等，确实在大多数突发情况下仍能保持较为稳定的运行；缺点：有些日常企业如畜牧行业受猪瘟
等影响较大(虽然数据里没有畜牧行业)） -
可根据企业的日均销项数量来对企业分类，
日均销售次数大说明是偏向日用型的企业（？~）：“单日销项开票频率”; -
通过支出或收入定义企业规模的大小，大企业往往因为实力雄厚而具有较强的抗风性能力和更有效的预防措施；
-
计算企业总利润，负收入的企业贷款概率更大；
-
至少把疫情下的情景（当下背景）考虑进去。
疫情期间，允许违约，但是信誉为D（和C？）时，一律不予借贷。附件1数据中，违约过大概率与D级信誉挂钩，此举给予少数个体或公司宽容空间; 123家公司中，有34家公司信誉评级为C，其中两家公司违约。
需重视的突发因素：
疫情（对个体户、中小企业）、气候（农业）、经济危机（all）、较难利用的突发因素：
战争、贸易战 -
仍然以银行自身利润最大化为优化目标
查阅
特征工程改进
- 个体经营0/1特征、建筑公司0/1特征、大公司0/1特征。
- 销售稳定情况特征：销售稳定则公司经营稳定，则贷款情况不会应突发因素有太大波动
- 根据 随机森林信誉评级模型的 feature importance 列表，放大关键特征（how?）（考虑到后面还要标准化数据）
模型改动方面
-
增加分类标准（牢固原来的模型）
-
增加特殊情景影响（因子或增加项）
（如疫情对医药企业有利，对个体经营不利，且期间借贷风险整体水平上升，但是国家提倡增加支持力度，减费让利降成本等等）
（看看是否可以 整体降低年利率，同时略微抬高整体风险，且C级降额，A、B级升额）
-
增加个体户的贷款权重，减小非个体户的权重；
增大小公司的贷款权重，减小大公司的贷款权重；
允许C级及以上违约过的公司贷款。