本文探讨了信用评分模型建立的过程，强调了排除异常行为、特殊账户和欺诈客户的重要性。在模型构建中，建议不要让字符型变量直接进入模型，并分享了样本抽样的策略，如过抽样来平衡好坏样本比例。此外，提出了三步法建模流程，通过决策树、逻辑回归和神经网络逐步提高模型准确性。最后，提到了变量粗筛的方法和日常样本维护的注意事项。
分析流程是门工艺
实际工作中，清晰的数据分析流程是保证模型质量的重要手段，属于工艺的范畴。数据分析流程没有统一固定的标准答案，只有业界领先的经验，需要结合实际业务的特点进行不断调整与优化。
建模总体需排除异常
构建信用评分模型前，需明确用于建模的客户或申请者必须是日常审批过程中接触到的，入模样本总体需排除如下三类人群：
- 异常行为：如销户、按条例明确拒绝的客户；
- 特殊账户：出国、卡丢失或失窃、死亡、未成年人、员工账户、VIP账户；
- 其他建模对象：欺诈客户、主动销户者。
其中，欺诈客户可以构建反欺诈评分模型去识别预测，主动销户者可以构建流失评分模型去识别预测。同时，对于预测建模，目标变
最低0.47元/天 解锁文章
扫一扫
598
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
