评分卡模型建模流程

数据导入和建立

• 读入数据：导入数据集 application.csv
• 选择合适的建模样本
• 数据集划分成训练集和测试集

第一步：数据预处理

• 数据清洗：时间、类型特征等
• 格式转换
• 缺失值填补

第二步：变量衍生

• 考虑申请额度与收入的占比
• 考虑earliest_cr_line到申请日期的跨度，以月份记

第三步：分箱

• 采用ChiMerge,要求分箱完之后：
  （1）不超过5箱
  （2）Bad Rate单调
  （3）每箱同时包含好坏样本
  （4）特殊值如－1，单独成一箱
  

• 连续型变量可直接分箱
  

• 类别型变量：
  （a）当取值较多时，先用bad rate编码，再用连续型分箱的方式进行分箱
  （b）当取值较少时：
  

  （b1）如果每种类别同时包含好坏样本，无需分箱
  （b2）如果有类别只包含好坏样本的一种，需要合并
  

第四步：WOE编码、计算IV

• WOE的公式：
  

• WOE 的值越高，代表着该分组中客户是坏客户的风险越低。
• IV值是用来衡量某个变量对好坏客户区分能力的一个指标，IV值公式如下：
• 关于更详细的WOE和IV可见：数据挖掘模型中的IV和WOE详解

第五步：单变量分析和多变量分析，均基于WOE编码后的值

• 选择IV高于0.02的变量
• 比较两两线性相关性,如果相关系数的绝对值高于阈值，剔除IV较低的一个
• 亦可使用机器学习的特征选择方法（RF、Xgboost）

第六步：逻辑回归模型（或其他机器学习算法）

• 要求：
  （1）变量显著
  （2）系数为负
  
• 逻辑回归的原理可见逻辑回归 - 理论篇
• 每次迭代中，剔除最不显著的变量，直到
  （1） 剩余所有变量均显著
  （2） 没有特征可选
  
• 亦可尝试L1或L2约束

第七步：评估

• 利用ks和AUC等评估指标（亦可使用混淆矩阵）

• KS值越大，表示模型能够将正、负客户区分开的程度越大。

• 通常来讲，KS>0.2即表示模型有较好的预测准确性。

• KS绘制方式与ROC曲线略有相同，都要计算TPR和FPR。但是TPR和FPR都要做纵轴，横轴为把样本分成多少份。

• 步骤：
  （1）按照分类模型返回的概率降序排列
  （2）把0-1之间等分N份，等分点为阈值，计算TPR、FPR
  （3）对TPR、FPR描点画图即可
  

• KS值即为Max(TPR-FPR)