對(duì)于整體情況的評(píng)分常用的方法有層次分析法祭饭，模糊分析法芜茵。
近期發(fā)現(xiàn)金融行業(yè)常用的評(píng)分卡模型，經(jīng)過初步探索以后有了一定的理解倡蝙，同時(shí)也存在一些待解決的疑問九串。
一、有監(jiān)督數(shù)據(jù)
評(píng)分卡模型是有監(jiān)督的打分模型寺鸥，所以訓(xùn)練模型的數(shù)據(jù)集需要包含特征和二分類標(biāo)簽猪钮。以GiveMeSomeCredit數(shù)據(jù)集為例，第一列target為我們的目標(biāo)標(biāo)簽胆建，1表示存在違約烤低，0表示無(wú)違約情況。
.
二笆载、特征提取
特征之間不宜存在強(qiáng)的相關(guān)關(guān)系扑馁，否則會(huì)影響算法的結(jié)果。
并不是所有特征都對(duì)target起重要作用的宰译，通過計(jì)算IV值判斷每個(gè)特征的影響權(quán)重檐蚜。
評(píng)分卡算法有三個(gè)關(guān)鍵詞：分箱、WOE沿侈、IV
2.1 分箱
分箱就是把每個(gè)特征劃分為幾個(gè)等級(jí)闯第。比如年齡特征經(jīng)過分箱以后為20-30、31-50缀拭、51-70咳短、71-100五類填帽。
分箱的目的是為了使模型更加穩(wěn)定。
分箱的方法分為有監(jiān)督分箱（卡方分箱咙好、cart分箱等）和無(wú)監(jiān)督分箱（等距劃分篡腌、等頻劃分）兩種，有監(jiān)督分箱效果會(huì)更好勾效。
2.2嘹悼、WOE證據(jù)權(quán)重
2.3 IV信息價(jià)值
2.4、計(jì)算案例
以年齡這一特征為例层宫，對(duì)年齡采用等頻分箱后杨伙，分為九個(gè)等級(jí)：21-33、34-39萌腿、40-45限匣、46-49、50-53毁菱、...米死，代入公式計(jì)算出每個(gè)層級(jí)的WOE，基于WOE計(jì)算出特征的IV值贮庞。
2.5峦筒、特征價(jià)值
顯然有些特征對(duì)target的影響程度不高，不必作為模型訓(xùn)練參數(shù)贸伐，可以刪除勘天。
.
三怔揩、邏輯回歸
把符合IV條件的特征的WOE值作為模型訓(xùn)練數(shù)據(jù)捉邢，target為目標(biāo)值，訓(xùn)練邏輯回歸模型商膊。
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
x = train_X.drop('target',axis = 1)
y = train_X['target']
train_x,test_x,train_y,test_y = train_test_split(x,y,test_size = 0.3,random_state = 0)
train = pd.concat([train_y,train_x], axis =1)
test = pd.concat([test_y,test_x], axis =1)
train = train.reset_index(drop=True)
test = test.reset_index(drop=True)
lr = LogisticRegression(penalty= 'l1')
lr.fit(train_x,train_y)
回歸模型驗(yàn)證的AUC值為0.83伏伐，效果還是不錯(cuò)的，標(biāo)明這些特征能夠比較好的預(yù)測(cè)target的值晕拆。
.
四藐翎、得分計(jì)算
4.1、得分計(jì)算原理
4.2实幕、PDO和P0的定義
計(jì)算score的前提是需要自定義PDO和P0的值吝镣，這個(gè)值定義的依據(jù)是什么？應(yīng)該如何科學(xué)的定義昆庇？（還不知道）
def cal_base(pdo, p0, lr):
B = pdo / math.log(2)
A = p0 - B / math.log(pdo)
base = round(A + B * lr.intercept_[0], 0)
print('base',base)
以下為PDO=100末贾，600，700整吆，800拱撵，900辉川，1000；P0=5乓旗，10，20對(duì)應(yīng)的基礎(chǔ)得分集索。
4.4屿愚、計(jì)算每個(gè)變量每個(gè)等級(jí)的分值
#計(jì)算分值函數(shù)
def compute_score(coe, woe, factor):
scores = []
for w in woe:
score = round(coe * w * factor, 0)
scores.append(score)
return scores
當(dāng)設(shè)置PDO的值為20、p0為600务荆，可以計(jì)算出A,B值渺鹦，同時(shí)推出基礎(chǔ)分A+BW0為： 314.0，計(jì)算出的評(píng)分卡分值如下：
當(dāng)有新的人員數(shù)據(jù)生成是蛹含，可根據(jù)評(píng)分卡判斷新成員的得分毅厚。以某一批新成員數(shù)據(jù)為例，經(jīng)該評(píng)分卡判斷后浦箱，這批成員的最高得分為604.0吸耿，最低得分為429.0（基礎(chǔ)分314）
五、問題小結(jié)
1酷窥、PDO咽安、p0是隨便設(shè)置的嗎？
2蓬推、怎么設(shè)置閾值妆棒，超過這個(gè)閾值就接受，不超過就不接受借貸服務(wù)沸伏。
3糕珊、不同的分箱手段帶來(lái)的AUC值的變動(dòng)
參考資料
[1]數(shù)據(jù)集來(lái)源于kaggle平臺(tái)：https://www.kaggle.com/c/GiveMeSomeCredit/data
[2]參考代碼（學(xué)習(xí)資源）：https://github.com/htbeker/Application_score_card/blob/master/appliaction_score_card.py
[3]分箱的優(yōu)點(diǎn) https://blog.csdn.net/hxcaifly/article/details/80203663
[4]評(píng)分卡理論 https://blog.csdn.net/sscc_learning/article/details/78591210
