评分卡实例：一步一步实现评分卡(详细长文)
老饼讲解-机器学习
https://www.bbbdata.com/ml/scorecard
目录
本文以kaggle上的借贷数据：https://www.kaggle.com/c/GiveMeSomeCredit/data 为例，讲解《建立评分卡模型的全过程》。
本文只讲解流程，完整代码见《评分卡实例：完整建模代码》
备注：1、因为详细，代码略长，可只参考自己仅需要的部分。
2、数据需要墙，如无法获取，请留邮箱
本文的流程是完整的，详细的，具体的，可以一步步跟着执行。由于文字上比较浓缩， 需要花些耐心。
特别告知：《评分卡系列》文章在本人网站作了更完善更全面的更新，由于改动过大，本文不再更新。一切以老饼的知识网站为主。
(前一) 数据说明
数据共包含10个变量与客户好坏标签：
| 变量名 | 变量描述 | 数据类型 |
|---|---|---|
| SeriousDlqin2yrs | 是否有超过90天或更长时间逾期未还的不良行为 | 二分类(0为好，1为坏) |
| RevolvingUtilizationOfUnsecuredLines | 信用卡和个人信用额度的总余额（除房地产以及分期付款债务(如汽车贷款)）除以总信贷限额。 | 定量 |
| age | 借贷者的年龄 | 定量 |
| NumberOfTime30-59DaysPastDueNotWorse | 借款者逾期30至59天的次数（过去两年中没有恶化） | 定量 |
| DebtRatio | 月债务支出、赡养费、生活费除以总收入（负债比率） | 定量 |
| MonthlyIncome | 月收入 | 定量 |
| NumberOfOpenCreditLinesAndLoans | 公开贷款（如汽车和抵押的分期）和信用上线（比如信用卡）数量 | 定量 |
| NumberOfTimes90DaysLate | 90天逾期次数：借款者有90天或更高逾期的次数 | 定量 |
| NumberRealEstateLoansOrLines | 抵押和房地产数量（包括房屋净值信用额度） | 定量 |
| NumberOfTime60-89DaysPastDueNotWorse | 借款者逾期30至59天的次数（过去两年中没有恶化） | 定量 |
| NumberOfDependents | 家庭受抚养人数（不含自己） | 定量 |
数据共15万条，如下
(前言二) 评分卡建模步骤概述
评分卡的目标模型是，依据客户数据(10个变量)，预测客户是否坏客户(数据中的SeriousDlqin2yrs变量).
整个建模过程共5步：
1.变量分析与分箱：筛选与标签SeriousDlqin2yrs有相关性的变量，并把变量进行分箱，作为建模的输入特征。
2.建模
(1)数据预处理：转woe,归一化
(2)用逐步回归选出尽量少的特征(同时保持建模效果)
(3)训练逻辑回归模型
3.模型评估：检验AUC是否达标，并检查系数是否都为正。
4.将逻辑回归模型预测结果转为评分
5.确定生产上的判定为坏客户的分数阈值
一.变量分析、选择与分箱处理
(一) 使用badRate法(或iv法)分析变量
本阶段分析和挑选变量，一般使用badRate法(或iv法)分析哪些变量与客户的质量相关，作为入模变量。
完整分析流程与变量初探结果见：
这里挑选部分讲解如下：
1.badRate法分析过程简介
(1) 筛选出所有与badRate相关的变量，
(2) 精细化分箱
备注：(1)和(2)是反复进行的，一边分箱，一边确定要不要该变量。
2.例子
(1) 先粗略分箱，试探变量的badRate，如RevolvingUtilizationOfUnsecuredLines变量
(2)如果变量的badRate有一定的趋势，就进一步对变量仔细分箱
在本例中，所有变量与badRate都有明显的关系。因此以上10个变量都被选择用于建模。
(二) 原始数据转为分箱数据
最后，将原始数据转为分箱数据，如下：
由于原变量名过长，换成新的变量名：
完整结果见：《评分卡实例：变量分析-变量分箱》
二.模型数据预处理
预处理时，将原数据映射成组号，如果直接把组号作为特征变量值，不够理想，组号是等距的，而badrate是不等距的。一般需先将组号转为WOE
WOE的意义与推导可见：《评分卡-WOE的意义与推导》
(一) 转WOE
(1) 计算每个特征每个分组的WOE(特征WOE映射表)：
即将变量X第i组的输入转为
(2) 将分组转换为WOE
(3) 举例说明
特征 rev_grp 计算得到的每组对应的WOE：
将rev_grp的分组数据转换成分组对应的woe数据：
备注：有些人在分箱时，只作分箱，而不按badRate大小重新调整分组，即badRate不随序号增加而增加，这时，作 WOE转换可解决此问题。
(二) 归一化
为了让模型求解更优秀，逻辑回归需要将数据归一化。
(1) 归一化公式
归一化直接使用如下公式对数据缩放到[0,1]即可：
(2) 举例说明
特征rev_grp 归一化前的最大值为：2.11168472653793，最小值为：-1.49519682401574，则对rev_grp统一作归一化如下：
(三) 总结
总的来说，由分组数据-->woe数据-->归一化数据，如下：
三.模型变量筛选与建立逻辑回归模型
(一)逐步回归选择尽量少的变量建模
逻辑回归过拟合原因主要来源于变量多重共线性，为避免模型过拟合，我们通过逐步回归，在保障模型效果的同时，选择尽量少的变量参与模型。
逐步回归流程：
1.历遍所有变量，将单个变量与目标建模，把模型结果最好的变量作为第一轮选择变量。
2.在第一轮选择变量的基础上，添加第二个变量，历遍剩余变量，添加哪个变量能令模型结果最好，就将其作为第二轮选择变量。
3.在第二轮的基础上，添加第三个变量......
......
直到变量不再对模型效果果带来明显贡献时，就不再添加变量。
则选出的变量，就是变量池中，最具代表的变量。这样既保障了模型的效果，又尽量减少变量的个数。
代码结果：
===========逐回步归过程===============
本轮最佳AUC: 0.7797686643130279 ,本轮最佳变量： rev_grp
本轮最佳AUC: 0.819165147896963 ,本轮最佳变量： due3059_grp
本轮最佳AUC: 0.8410814099324723 ,本轮最佳变量： due90_grp
本轮最佳AUC: 0.8485557426525118 ,本轮最佳变量： due6089_grp
本轮最佳AUC: 0.8523064156957751 ,本轮最佳变量： debratio_grp ,效果不明显,不再添加变量
最终选用变量 4 个： Index(['rev_grp', 'due3059_grp', 'due90_grp', 'due6089_grp'], dtype='object')可以看到，在加入第5个变量，deratio_grp时，AUC增长并不明显，则可以停止添加变量。只使用前4轮挑出的变量：rev_grp，due3059_grp，due90_grp，due6089_grp
(二)用选出的变量建立逻辑回归
将选出的变量，放到逻辑回归模型中建模，即得到最终的模型。
逻辑回归模型训练较为简单，可调参数也较少，在这一步直接调用模型进行训练即可。
备注：训练时， sklearn默认加入L2正则项，训练时可先将penalty选项设为'none'(即不加入正则项)，如果最后训练系数不满意，再改回'l2'训练。
训练完成，即可得到各个特征的权重w和阈值b：
=========模型参数==========
模型系数(对应原始数据): [0.68737659 0.50670396 0.52947426 0.3666265 ]
模型阈值(对应原始数据): -2.5927673435722016四.模型评估
(一) 用AUC评估
模型的效果评估一般是使用AUC。
PASS:为什么使用AUC，而不是准确率？因为模型预测的是概率，判断最终是好坏，还需要引入阈值(大于阈值，判为坏，小于阈值，判断为好)，阈值不同，准确率也不同。而AUC则是所有阈值的准确率的综合评估。
计算模型的AUC，AUC值的意义如下：
AUC>0.63：模型对y有区分度（不可投产）。
AUC>0.68：有效益(不可投产)
AUC>0.73：模型才算优秀（可投产）。
(二) 检验系数是否为正数
除了评估AUC，还需要检验模型是否符合业务逻辑。
由于经过WOE转换，所有特征与badRate都是正相关，因此，系数应都为正数。
如果为负数，需要检验模型哪里出了问题。
五.模型输出(转评分)
(一) 模型输出与应用(概率预测)
上面模型得到的是概率的预测，如果生产上要应用概率模型，则如下输出
1.模型输出
共由三部分组成：
(1) 模型变量:
(2)WOE对应表:由于建模用的是WOE值，需要把分组转换成WOE。
(3)系数w,b
如下：
(1) 模型变量(model_feture)：rev_grp，due3059_grp，due90_grp，due6089_grp
(2) WOE对应表:
(3)模型系数：
2.模型应用
预测时：
1.先通过客户特征数据，判断客户各个特征属于哪一组。
2.通过分组，查询WOE表，获得特征的WOE值。
3.根据模型公式，即可计算属于坏客户的概率。
(二) 模型输出与应用(转为客户评分)
评分卡，实际输出的是评分。因此一般是以评分模型作为输出，需要把模型转换成分数输出。
即：
整理后可得：
备注：评分卡不使用概率转换分数，而是用线性部分转换成分数，这样做的好处是，每一个特征x的分数和就是总分，而如果用概率转分，则单个特征增加s分，总分并不增加s分。
1.将概率模型转换为评分模型
(1) 设置 init_socre，init_odds，delta_score，delta_rate
一般设为：
init_socre = 600
init_odds = 50
delta_score = 20
delta_rate = 2
意思是，
当 odds(坏账概率:不坏账概率) = 50：1时，分数为600.
odds每降低2倍(例如从50：1降为25：1)，分数提高20分。
(2) 计算模型的基础分和每个特征每个分组的评分。
先用公式计算offset和factor。
计算基础分与特征得分：
公式的推导可阅读：《评分卡-分数转换与推导》
2.最终评分模型输出
(1) 模型变量:模型使用的变量。
(2) 基础分
(3) 特征评分表:每个特征每个分组对应的评分。
如下：
(1) 模型变量(model_feture)：rev_grp，due3059_grp，due90_grp，due6089_grp
(2) 基础分(BaseScore)：692.8771237954945
(3) 特征评分表：
备注：（1）生产上往往将所有分数都取整。
(2）实际交付生产时还需要把特征分组逻辑一起交付
3.模型应用
模型应用时，即对客户评分，如下使用：
(1)先通过客户特征数据，判断客户各个特征属于哪一组。
(2)通过特征所在分组，查询特征评分表，获取各个特征的评分。
(3)计算总分：总分=各特征评分+基础分。
六、模型阈值表与投产阈值
模型投产时，需要确定一个评分阈值，将低于评分阈值的客户拒绝。
(一) 模型阈值效果表
为了结合业务，确定阈值，一般统计阈值效果表。阈值表展示用不同评分阈值，模型在业务带来的效果。
阈值效果表的统计字段如下：
(二) 通过阈值表确定阈值
以评分分组在 [660-670) 为例:
(1) 先查看《本组坏客户占比》确定阈值上限
该字段说明[660-670)分的客户有5335个，其中坏客户1031个，占比19.33%。说明该组大概切掉5个客户，会有一个是坏的，
先在这一列找到效益均衡点，例如，放款4个好客户的收益，才能抵掉一个坏客户的损失，说明19.33%这一分数是均衡点，阈值不能比670更大，否则损失大于收益。
(2) 再看《损失的客户%》确定阈值。
如阈值取<670,则损失 10.55%客户(15818个)，如果损失客户过多，业务上不能接受，则阈值取更小。
(3) 最后评估综合信息.
损失的客户%：10.55%（15818个）
损失客户中坏客户占比：34.5%
剔除坏客户%：54.43%
即使用<670作为阈值，则会损失10.55%的左右，这部分客户里有34.5%是坏客户。使用模型后，坏客户能减少54.43%
(三) 分数分布图
最后的最后，画出分数布，进一步了解模型。
（实际生产中，分数分布图一般为正态分布）
相关文章