TPOT在量化金融反欺诈场景下的实战踩坑

用遗传算法跑模型调参，效率真的比手动调参高吗？在处理信用卡欺诈检测这类极度不平衡的数据集时，我试了下 TPOT，发现它在自动寻找 Pipeline 方面确实有意思，但如果不加限制，跑起来简直是噩梦。

最典型的坑就是计算量爆炸。TPOT 默认会尝试各种组合，如果数据集稍微大一点，它能跑一天一夜。为了在可控时间内出结果，我必须强行限制 generations（代数）和 population_size（种群大小）。

以下是我实操时的核心配置，建议跑之前一定要把这两个参数压低，否则你的 CPU 会在尖叫中罢工：

from tpot import TPOTClassifier
from sklearn.model_selection import train_test_split

# 关键点：千万别用默认参数，否则跑不完
tpot = TPOTClassifier(
    generations=5, 
    population_size=20, 
    verbosity=2, 
    scoring='roc_auc', 
    random_state=42, 
    n_jobs=-1
)

tpot.fit(X_train, y_train)
tpot.export('best_pipeline.py')

对比之前用 GridSearchCV 这种传统的超参数优化，TPOT 最让我惊讶的是它能自动把特征工程（比如 PCA 或标准化）直接编排进 Pipeline 里，而不是单纯地调模型参数。

但有个细节得注意：在金融反欺诈场景下，由于正负样本极不平衡，如果 scoring 没设对（比如误用 accuracy），TPOT 可能会给你一个看起来分数很高但实际上根本没捕捉到欺诈样本的垃圾模型。一定要强制指定 roc_auc 或 f1。