一行代码搞定信用评分模型（python）

于 2023-08-15 19:43:50 发布
阅读量5.2k 收藏 3
点赞数 1
分类专栏： python风控模型 论文复现 项目合作 文章标签： 机器学习 人工智能 评分卡 信用评分卡 python 风控模型
原文链接：https://www.rstk.cn/news/857619.html
版权

文章目录

  • 安装说明
  • 模型训练
  • 模型结果
    • 评分卡
    • 各变量类型以及IV值
    • 连续变量的切分点
  • 模型效果检验
  • 预测
  • 补充-模型调试
    • 变量IV值以及分箱分析
    • 模型效果分析
  • 补充-包的参数解释

安装说明

包已上传至PYPI官网，详见CreditScoreModel包

首次使用可以直接使用以下代码安装

pip install CreditScoreModel

模型训练

from CreditScoreModel.LogisticScoreCard import *
data=pd.read_csv('C:\\Users\\HP\\Desktop\\give me some credit\\data\\cs-training.csv')
data_predict=pd.read_csv('C:\\Users\\HP\\Desktop\\give me some credit\\data\\cs-test.csv')del data['Unnamed: 0']
data.columns=['y','RevolvingUtilizationOfUnsecuredLines', 'age','NumberOfTime30-59DaysPastDueNotWorse', 'DebtRatio', 'MonthlyIncome','NumberOfOpenCreditLinesAndLoans', 'NumberOfTimes90DaysLate','NumberRealEstateLoansOrLines', 'NumberOfTime60-89DaysPastDueNotWorse','NumberOfDependents']
del data_predict['Unnamed: 0']ls=logistic_score_card()
data_train, data_test = ls.get_data_train_test(data,test_size=0.25,random_state=1234)
ls.fit(data_train)

C:\ProgramData\Anaconda3\lib\site-packages\sklearn\utils\fixes.py:313: FutureWarning: numpy not_equal will not check object identity in the future. The comparison did not return the same result as suggested by the identity (`is`)) and will change._nan_object_mask = _nan_object_array != _nan_object_array
2019 16:15:06 INFO 任务开始。。。
2019 16:15:06 INFO 连续和离散变量划分中。。。
2019 16:15:06 INFO 连续和离散变量划分完成！
2019 16:15:06 INFO 连续变量最优分组进行中。。。
100%|██████████████████████████████████████████████████████████████████████████████████| 10/10 [00:00<00:00, 23.53it/s]
2019 16:15:06 INFO 连续变量最优分组完成！
2019 16:15:06 INFO 根据cut离散化连续变量进行中。。。
100%|██████████████████████████████████████████████████████████████████████████████████| 10/10 [00:04<00:00,  2.38it/s]
2019 16:15:11 INFO 根据cut离散化连续变量完成！
2019 16:15:11 INFO IV值计算中。。。
100%|██████████████████████████████████████████████████████████████████████████████████| 10/10 [00:00<00:00, 37.45it/s]
2019 16:15:11 INFO IV值计算完成！
2019 16:15:11 INFO WOE转换中。。。
100%|██████████████████████████████████████████████████████████████████████████████████| 10/10 [00:00<00:00, 11.36it/s]
2019 16:15:12 INFO WOE转换完成！
2019 16:15:12 INFO 根据IV值大于 0.1 且 相关性小于 0.6 ，以及l1正则选取变量进行中。。。
C:\ProgramData\Anaconda3\lib\site-packages\sklearn\linear_model\logistic.py:432: FutureWarning: Default solver will be changed to 'lbfgs' in 0.22. Specify a solver to silence this warning.FutureWarning)
2019 16:15:12 INFO 变量选取完成，总共 10 个变量，最终筛选出 5 个变量
2019 16:15:12 INFO 评分卡制作中。。。
2019 16:15:12 INFO 连续和离散变量划分中。。。
2019 16:15:12 INFO 连续和离散变量划分完成！
2019 16:15:12 INFO 根据cut离散化连续变量进行中。。。
100%|████████████████████████████████████████████████████████████████████████████████████| 5/5 [00:02<00:00,  2.36it/s]
2019 16:15:14 INFO 根据cut离散化连续变量完成！
2019 16:15:14 INFO WOE转换中。。。
100%|████████████████████████████████████████████████████████████████████████████████████| 5/5 [00:00<00:00, 11.81it/s]
2019 16:15:15 INFO WOE转换完成！
C:\ProgramData\Anaconda3\lib\site-packages\sklearn\linear_model\logistic.py:432: FutureWarning: Default solver will be changed to 'lbfgs' in 0.22. Specify a solver to silence this warning.FutureWarning)
2019 16:15:18 INFO 评分卡制作完成！
2019 16:15:18 INFO 任务完成！

模型结果

评分卡

对应的变量中文名

[‘变量名’, ‘变量类型’, ‘切分点’, ‘切分分组’, ‘y为1的数量’, ‘y为0的数量’, ‘总数’, ‘y为1的数量占比’, ‘y为0的数量占比’, ‘总数占比’,‘y为1占总数比例’, ‘woe’, ‘各分组iv’, ‘变量iv值’, ‘logistic参数col_coef’, ‘logistic参数lr_intercept’, ‘分组分数’]

ls.score_card
coltypecutscut_points1_num0_numtotal_num1_pct0_pcttotal_pct1_ratewoeivtotal_ivcol_coeflr_interceptscore
0NumberOfTime30-59DaysPastDueNotWorsecontinuous[-inf, 0.0, 1.0, inf](-inf, 0.0]380390648944510.5035090.8637500.8395640.040264-0.5396830.1944160.7370790.538172-2.59825420.950981
1NumberOfTime30-59DaysPastDueNotWorsecontinuous[-inf, 0.0, 1.0, inf](0.0, 1.0]180110249120500.2384480.0976590.1071110.1494610.8926730.1256790.7370790.538172-2.598254-34.654352
2NumberOfTime30-59DaysPastDueNotWorsecontinuous[-inf, 0.0, 1.0, inf](1.0, inf]1949405059990.2580430.0385910.0533240.3248871.9001100.4169830.7370790.538172-2.598254-73.763987
3NumberOfTime60-89DaysPastDueNotWorsecontinuous[-inf, 0.0, inf](-inf, 0.0]54691013141067830.7240830.9653830.9491820.051216-0.2876180.0694020.5702770.403517-2.5982548.371879
4NumberOfTime60-89DaysPastDueNotWorsecontinuous[-inf, 0.0, inf](0.0, inf]2084363357170.2759170.0346170.0508180.3645272.0757410.5008750.5702770.403517-2.598254-60.419867
5NumberOfTimes90DaysLatecontinuous[-inf, 0.0, inf](-inf, 0.0]49531013331062860.6557660.9655640.9447640.046601-0.3869080.1198630.8330810.528354-2.59825414.746114
6NumberOfTimes90DaysLatecontinuous[-inf, 0.0, inf](0.0, inf]2600361462140.3442340.0344360.0552360.4184102.3022070.7132180.8330810.528354-2.598254-87.743345
7RevolvingUtilizationOfUnsecuredLinescontinuous[-inf, 0.22, 0.49, 0.86, inf](-inf, 0.22]132062341636610.1747650.5940240.5658760.020735-1.2234770.5129531.0716930.643205-2.59825456.766152
8RevolvingUtilizationOfUnsecuredLinescontinuous[-inf, 0.22, 0.49, 0.86, inf](0.22, 0.49]91616760176760.1212760.1597000.1571200.051822-0.2752230.0105751.0716930.643205-2.59825412.769650
9RevolvingUtilizationOfUnsecuredLinescontinuous[-inf, 0.22, 0.49, 0.86, inf](0.49, 0.86]169513027147220.2244140.1241290.1308620.1151340.5921690.0593861.0716930.643205-2.598254-27.475114
10RevolvingUtilizationOfUnsecuredLinescontinuous[-inf, 0.22, 0.49, 0.86, inf](0.86, inf]362212819164410.4795450.1221470.1461420.2203031.3676090.4887791.0716930.643205-2.598254-63.453483
11agecontinuous[-inf, 35.0, 55.0, 62.0, inf](-inf, 35.0]180114288160890.2384480.1361450.1430130.1119400.5604330.0573340.2398430.462719-2.598254-18.706199
12agecontinuous[-inf, 35.0, 55.0, 62.0, inf](35.0, 55.0]406145818498790.5376670.4365820.4433690.0814170.2082630.0210520.2398430.462719-2.598254-6.951426
13agecontinuous[-inf, 35.0, 55.0, 62.0, inf](55.0, 62.0]89817050179480.1188930.1624630.1595380.050033-0.3122250.0136040.2398430.462719-2.59825410.421482
14agecontinuous[-inf, 35.0, 55.0, 62.0, inf](62.0, inf]79327791285840.1049910.2648100.2540800.027743-0.9251340.1478530.2398430.462719-2.59825430.879240

各变量类型以及IV值

ls.col_type_iv
coltypeiv
0RevolvingUtilizationOfUnsecuredLinescontinuous1.071693
1agecontinuous0.239843
2NumberOfTime30-59DaysPastDueNotWorsecontinuous0.737079
3DebtRatiocontinuous0.069471
4MonthlyIncomecontinuous0.076410
5NumberOfOpenCreditLinesAndLoanscontinuous0.073217
6NumberOfTimes90DaysLatecontinuous0.833081
7NumberRealEstateLoansOrLinescontinuous0.055378
8NumberOfTime60-89DaysPastDueNotWorsecontinuous0.570277
9NumberOfDependentscontinuous0.031616

连续变量的切分点

ls.col_continuous_cut_points

[['RevolvingUtilizationOfUnsecuredLines', [-inf, 0.22, 0.49, 0.86, inf]],['age', [-inf, 35.0, 55.0, 62.0, inf]],['NumberOfTime30-59DaysPastDueNotWorse', [-inf, 0.0, 1.0, inf]],['DebtRatio', [-inf, 0.41, 0.67, 2.66, inf]],['MonthlyIncome', [-inf, 1297.0, 4838.0, 6596.0, inf]],['NumberOfOpenCreditLinesAndLoans', [-inf, 2.0, 3.0, 13.0, inf]],['NumberOfTimes90DaysLate', [-inf, 0.0, inf]],['NumberRealEstateLoansOrLines', [-inf, 0.0, 1.0, 2.0, inf]],['NumberOfTime60-89DaysPastDueNotWorse', [-inf, 0.0, inf]],['NumberOfDependents', [-inf, 0.0, 1.0, 2.0, inf]]]

模型效果检验

ls.plot_roc_ks(data_train,ls.score_card)

2019 16:15:18 INFO 预测用户分数中。。。
2019 16:15:18 INFO 根据cut离散化连续变量进行中。。。
100%|████████████████████████████████████████████████████████████████████████████████████| 5/5 [00:02<00:00,  2.37it/s]
2019 16:15:20 INFO 根据cut离散化连续变量完成！

在这里插入图片描述

ls.plot_roc_ks(data_test,ls.score_card)

2019 16:15:21 INFO 预测用户分数中。。。
2019 16:15:21 INFO 根据cut离散化连续变量进行中。。。
100%|████████████████████████████████████████████████████████████████████████████████████| 5/5 [00:00<00:00,  6.97it/s]
2019 16:15:22 INFO 根据cut离散化连续变量完成！

在这里插入图片描述

预测

ls.predict_score_proba(data_test,ls.score_card)

2019 16:15:22 INFO 预测用户分数中。。。
2019 16:15:22 INFO 根据cut离散化连续变量进行中。。。
100%|████████████████████████████████████████████████████████████████████████████████████| 5/5 [00:00<00:00,  6.99it/s]
2019 16:15:23 INFO 根据cut离散化连续变量完成！
NumberOfTime30-59DaysPastDueNotWorsescoreNumberOfTime60-89DaysPastDueNotWorsescoreNumberOfTimes90DaysLatescoreRevolvingUtilizationOfUnsecuredLinesscoreagescorescoreproba
020.9509818.37187914.74611456.76615230.879240731.7143660.011842
120.9509818.37187914.746114-63.453483-18.706199561.9092920.112027
220.9509818.37187914.74611456.766152-6.951426693.8837000.019845
3-34.654352-60.419867-87.743345-27.475114-6.951426382.7558960.601900
4-73.7639878.37187914.746114-63.45348310.421482496.3220070.238491
520.9509818.37187914.74611456.76615230.879240731.7143660.011842
620.9509818.371879-87.743345-63.453483-6.951426471.1746060.307389
720.9509818.37187914.74611412.769650-6.951426649.8871980.035921
820.9509818.37187914.74611456.76615210.421482711.2566080.015664
920.9509818.37187914.746114-27.475114-6.951426609.6424340.061116
1020.9509818.37187914.746114-27.475114-6.951426609.6424340.061116
1120.9509818.37187914.74611456.766152-6.951426693.8837000.019845
1220.9509818.37187914.74611456.76615230.879240731.7143660.011842
1320.9509818.37187914.74611456.766152-6.951426693.8837000.019845
14-34.6543528.37187914.74611456.76615210.421482655.6512760.033255
1520.9509818.37187914.746114-63.45348310.421482591.0369740.077701
1620.9509818.37187914.746114-27.475114-6.951426609.6424340.061116
1720.9509818.37187914.74611456.76615230.879240731.7143660.011842
1820.9509818.371879-87.743345-63.453483-18.706199459.4198330.343125
1920.9509818.37187914.74611456.766152-6.951426693.8837000.019845
2020.9509818.37187914.74611456.766152-6.951426693.8837000.019845
2120.9509818.371879-87.743345-63.453483-6.951426471.1746060.307389
22-34.6543528.371879-87.74334556.76615230.879240573.6195740.096866
2320.9509818.37187914.74611456.766152-6.951426693.8837000.019845
2420.9509818.37187914.74611412.769650-6.951426649.8871980.035921
25-73.7639878.37187914.74611456.76615230.879240636.9993980.042649
2620.9509818.37187914.74611456.76615230.879240731.7143660.011842
2720.9509818.37187914.746114-63.45348330.879240611.4947310.059659
2820.9509818.37187914.74611412.76965010.421482667.2601070.028452
2920.9509818.37187914.74611456.76615230.879240731.7143660.011842
........................
3747020.9509818.37187914.74611412.769650-6.951426649.8871980.035921
37471-34.6543528.37187914.74611412.769650-6.951426594.2818650.074538
3747220.9509818.371879-87.743345-27.475114-6.951426507.1529750.212299
37473-73.763987-60.419867-87.74334512.769650-18.706199372.1362520.636593
3747420.9509818.37187914.74611456.76615210.421482711.2566080.015664
3747520.9509818.37187914.74611456.766152-18.706199682.1289260.023276
3747620.9509818.37187914.746114-63.453483-6.951426573.6640650.096812
3747720.9509818.37187914.74611456.766152-18.706199682.1289260.023276
3747820.9509818.37187914.74611456.76615210.421482711.2566080.015664
3747920.9509818.37187914.746114-27.475114-6.951426609.6424340.061116
3748020.9509818.37187914.74611456.766152-6.951426693.8837000.019845
37481-34.6543528.371879-87.743345-63.453483-6.951426415.5692740.489626
3748220.9509818.37187914.74611456.766152-6.951426693.8837000.019845
37483-73.7639878.37187914.74611456.766152-18.706199587.4139590.081378
3748420.9509818.37187914.74611456.76615230.879240731.7143660.011842
3748520.9509818.37187914.746114-63.453483-18.706199561.9092920.112027
3748620.9509818.37187914.74611456.766152-18.706199682.1289260.023276
37487-73.763987-60.41986714.746114-27.475114-6.951426446.1357200.385743
3748820.9509818.37187914.74611456.766152-18.706199682.1289260.023276
3748920.9509818.371879-87.743345-63.453483-6.951426471.1746060.307389
3749020.9509818.37187914.74611456.76615230.879240731.7143660.011842
3749120.9509818.37187914.74611456.766152-6.951426693.8837000.019845
3749220.9509818.37187914.74611456.76615230.879240731.7143660.011842
37493-34.6543528.37187914.74611456.766152-6.951426638.2783670.041931
3749420.9509818.37187914.746114-27.47511410.421482627.0153430.048671
3749520.9509818.37187914.74611412.76965030.879240687.7178640.021578
37496-34.6543528.37187914.74611456.766152-6.951426638.2783670.041931
3749720.9509818.37187914.74611412.769650-6.951426649.8871980.035921
3749820.9509818.37187914.74611456.76615230.879240731.7143660.011842
3749920.9509818.37187914.746114-27.47511430.879240647.4731000.037099

37500 rows × 7 columns

补充-模型调试

变量IV值以及分箱分析

#默认决策树分箱
ls.plot_col_woe_iv(data,'age')

png

cut_pointscut_points_id1_num0_numtotal_num1_pct0_pcttotal_pct1_ratewoeivtotal_iv
1(-inf, 36.0]0262821237238650.2621180.1517210.1591000.1101190.5467530.0603600.250005
0(36.0, 55.0]1517758953641300.5163570.4211710.4275330.0807270.2037600.0193950.250005
3(55.0, 63.0]2134526409277540.1341510.1886710.1850270.048461-0.3410360.0185930.250005
2(63.0, inf]387633375342510.0873730.2384370.2283400.025576-1.0039210.1516570.250005
# 手动分箱
ls.plot_col_woe_iv(data,'age',[-inf,20,30,40,inf])

C:\ProgramData\Anaconda3\lib\site-packages\CreditScoreModel\LogisticScoreCard.py:152: RuntimeWarning: divide by zero encountered in logresult['woe'] = np.log(result['1_pct'] / result['0_pct'])  # WOE

png

cut_pointscut_points_id1_num0_numtotal_num1_pct0_pcttotal_pct1_ratewoeivtotal_iv
3(-inf, 20.0]00110.0000000.0000070.0000070.0000000.0000000.0000000.0
2(20.0, 30.0]112449513107570.1240770.0679630.0717130.1156460.6019480.0337780.0
1(30.0, 40.0]2239021949243390.2383800.1568080.1622600.0981960.4188470.0341660.0
0(40.0, inf]363921085111149030.6375420.7752230.7660200.055630-0.1955290.0269210.0
# 不输出具体数据
ls.plot_col_woe_iv(data,'age',[-inf,20,30,40,inf],return_data=False)

C:\ProgramData\Anaconda3\lib\site-packages\CreditScoreModel\LogisticScoreCard.py:152: RuntimeWarning: divide by zero encountered in logresult['woe'] = np.log(result['1_pct'] / result['0_pct'])  # WOE

png

模型效果分析

#默认参数跑出的结果
col_result=ls.col_result
col_continuous_cut_points=[col for col in ls.col_continuous_cut_points if col[0] in ls.col_result]
data_new=data_train[ls.col_result+['y']]score_card=ls.get_logistic_socre_card(data_new,col_continuous_cut_points)
ls.plot_roc_ks(data_new,score_card)

2019 16:15:35 INFO 评分卡制作中。。。
2019 16:15:35 INFO 连续和离散变量划分中。。。
2019 16:15:35 INFO 连续和离散变量划分完成！
2019 16:15:35 INFO 根据cut离散化连续变量进行中。。。
100%|████████████████████████████████████████████████████████████████████████████████████| 5/5 [00:02<00:00,  2.50it/s]
2019 16:15:38 INFO 根据cut离散化连续变量完成！
2019 16:15:38 INFO WOE转换中。。。
100%|████████████████████████████████████████████████████████████████████████████████████| 5/5 [00:00<00:00, 11.89it/s]
2019 16:15:38 INFO WOE转换完成！
C:\ProgramData\Anaconda3\lib\site-packages\sklearn\linear_model\logistic.py:432: FutureWarning: Default solver will be changed to 'lbfgs' in 0.22. Specify a solver to silence this warning.FutureWarning)
2019 16:15:40 INFO 评分卡制作完成！
2019 16:15:40 INFO 预测用户分数中。。。
2019 16:15:40 INFO 根据cut离散化连续变量进行中。。。
100%|████████████████████████████████████████████████████████████████████████████████████| 5/5 [00:02<00:00,  2.41it/s]
2019 16:15:43 INFO 根据cut离散化连续变量完成！

png

# 例如：选取全部变量，并按以下切分点分箱
col_result=['y', 'RevolvingUtilizationOfUnsecuredLines', 'age','NumberOfTime30-59DaysPastDueNotWorse', 'DebtRatio', 'MonthlyIncome','NumberOfOpenCreditLinesAndLoans', 'NumberOfTimes90DaysLate','NumberRealEstateLoansOrLines', 'NumberOfTime60-89DaysPastDueNotWorse','NumberOfDependents']
col_continuous_cut_points=[['RevolvingUtilizationOfUnsecuredLines', [-inf, 0.22, 0.49, 0.86, inf]],['age', [-inf, 35.0, 55.0, 62.0, inf]],['NumberOfTime30-59DaysPastDueNotWorse', [-inf, 0.0, 1.0, inf]],['DebtRatio', [-inf, 0.41, 0.67, 2.66, inf]],['MonthlyIncome', [-inf, 1297.0, 4838.0, 6596.0, inf]],['NumberOfOpenCreditLinesAndLoans', [-inf, 2.0, 3.0, 13.0, inf]],['NumberOfTimes90DaysLate', [-inf, 0.0, inf]],['NumberRealEstateLoansOrLines', [-inf, 0.0, 1.0, 2.0, inf]],['NumberOfTime60-89DaysPastDueNotWorse', [-inf, 0.0, inf]],['NumberOfDependents', [-inf, 0.0, 1.0, 2.0, inf]]]
data_new=data_train[col_result]score_card=ls.get_logistic_socre_card(data_new,col_continuous_cut_points)
ls.plot_roc_ks(data_new,score_card)

2019 16:15:43 INFO 评分卡制作中。。。
2019 16:15:43 INFO 连续和离散变量划分中。。。
2019 16:15:43 INFO 连续和离散变量划分完成！
2019 16:15:43 INFO 根据cut离散化连续变量进行中。。。
100%|██████████████████████████████████████████████████████████████████████████████████| 10/10 [00:04<00:00,  2.49it/s]
2019 16:15:48 INFO 根据cut离散化连续变量完成！
2019 16:15:48 INFO WOE转换中。。。
100%|██████████████████████████████████████████████████████████████████████████████████| 10/10 [00:00<00:00, 12.17it/s]
2019 16:15:49 INFO WOE转换完成！
C:\ProgramData\Anaconda3\lib\site-packages\sklearn\linear_model\logistic.py:432: FutureWarning: Default solver will be changed to 'lbfgs' in 0.22. Specify a solver to silence this warning.FutureWarning)
2019 16:15:54 INFO 评分卡制作完成！
2019 16:15:54 INFO 预测用户分数中。。。
2019 16:15:54 INFO 根据cut离散化连续变量进行中。。。
100%|██████████████████████████████████████████████████████████████████████████████████| 10/10 [00:04<00:00,  2.13it/s]
2019 16:15:58 INFO 根据cut离散化连续变量完成！

在这里插入图片描述

补充-包的参数解释

def __init__(self,max_depth=None,  # 决策树的深度max_leaf_nodes=4,  # 决策树的子节点数min_samples_l

文章来源:https://www.rstk.cn/news/857619.html

一行代码搞定信用评分模型（python）就为大家介绍到这里，《python金融风控评分卡模型和数据分析(加强版)》更多实战案例会定期更新，用于银行培训，大家扫一扫下面二维码，记得收藏课程。

python机器学习建模
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
一行python代码搞定数据分析报告.docx
12-16
标题中的“一行Python代码搞定数据分析报告”指的是使用Python的pandas_profiling库，该库能够通过一行简单的代码生成详尽的数据分析报告。这个库对于快速理解数据集的特性，进行初步的数据探索非常有用。 描述中...
【Python】利用Python开发信用评分卡
fulk6667g78o8的专栏
08-15 5692
【Python】利用Python开发信用评分卡
机器学习实战1.4之逻辑回归：多分类问题解决方法
进击的小杨人
03-26 947
import pandas as pd import matplotlib.pyplot as plt #由于数据集中每列数据没有标签，因此需要先手动添加，且用空格来隔开 columns = [ 'mpg', 'cylinders', 'displacement', 'horsepower', 'weight', 'acceleration', 'model year', 'or...
深度之眼（二十三）——Python：Sklearn库
一个电子信息嵌入式的学习笔记
08-09 1498
Python：Sklearn库
利用Python进行信用评分
YPS的博客
09-30 2482
项目简介 信用风险：未履行合同的义务而造成的经济损失的风险。 评分卡：以分数的形式来衡量风险几率的一种手段，分数越高越安全。 数据来源：Kaggle 有15万条的样本数据， – 基本属性：包括了借款人当时的年龄。 – 偿债能力：包括了借款人的月收入、负债比率。 – 信用往来：两年内35-59天逾期次数、两年内60-89天逾期次数、两年内90天或高于90天逾期的次数。 – 财产状况：包括了开放式信贷和贷款数量、不动产贷款或
主体评级模型的开发过程
slamer的专栏
08-27 4396
信用风险计量体系包括主体评级模型和债项评级两部分。主体评级和债项评级均有一系列评级模型组成，其中主体评级模型可用“四张卡”来表示，分别是A卡、B卡、C卡和F卡；债项评级模型通常按照主体的融资用途，分为企业融资模型、现金流融资模型和项目融资模型等。 我们主要讨论主体评级模型的开发过程。 一、项目流程 典型的信用评分模型如图1-1所示。信用风险评级模型的主要开发流程如下： （1） 数据获取，包括获...
基于python的评分卡模型代码实现
03-26
评分卡模型是一种在风险管理、信用评估等领域广泛应用的统计方法，它通过将复杂的信用风险评估转化为一个简单的分数系统，便于决策者快速判断潜在客户的风险等级。本篇将详细讲解如何使用Python来实现评分卡模型。 ...
基于Python的申请信用评分卡模型分析
最新发布
06-28
【作品名称】：基于Python的申请信用评分卡模型分析 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【项目介绍】：利用Python进行...
基于 Python建立一个评分卡模型的代码包
06-18
【作品名称】：基于 Python建立一个评分卡模型的代码包 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【项目介绍】：使用方法：将 ...
Python 一行代码能实现丧心病狂的功能
09-18
主要介绍了Python 一行代码能实现丧心病狂的功能,需要的朋友可以参考下
基于Python的信用评分卡模型建立和分析，万字阐述，收藏
fulk6667g78o8的专栏
06-18 4950
基于Python的信用评分卡模型建立和分析，万字阐述，收藏
《Web安全之机器学习入门》笔记：第八章 8.4 逻辑回归算法识别mnist验证码
mooyuan的博客
01-31 254
本小节是通过使用逻辑回归算法对mnist数据集的数字识别，效果只能说勉强凑合，不过比7.8节的nb算法好一些。 1.源码修改 作者的代码会报错以及报警 (1)报错 Traceback (most recent call last): File "C:/Users/liujiannan/PycharmProjects/pythonProject/Web安全之机器学习入门/code/8-3.py", line 15, in <m...
风险模型—CreditMetrics模型1
热门推荐
weixin_42907809的博客
08-15 1万+
在之前的文章中，我已经为大家介绍了VaR模型。其中通过蒙特卡罗模拟法求取VaR的思路，大家还记得吗？①假定资产或资产组合价值的随机过程；②通过历史数据估计参数；③模拟随机变量，生成若干期末价值（看做离散型随机变量，且等可能性）；④根据这些期末价值找到某一置信水平下，可能的最低期末价值；⑤根据VaR公式，代入已知、已求值即可。 CreditMetrics模型也是运用VaR来衡量风险，且求取VaR的...
Creditmetrics模型
yugao1986的专栏
11-09 8991
维基百科里面有详细的介绍：http://wiki.mbalib.com/wiki/Creditmetrics模型。 一、概况起来，其中主要的思想有： 1.转换矩阵（Transition Matrix）：它是一个信用等级的信用工具转移到另一个信用等级的概率矩阵； 2.信用工具的在险价值VaR：信用工具的价值取决于其信用等级； 3.信用计量模型的一个基本特点就是从资产组合并不是单一资产的角度来
干货 | 基于 Python 的信用评分模型实战！
SeizeeveryDay的博客
09-02 3042
来源 | 知乎作者 |Carl文章链接 |https://zhuanlan.zhihu.com/p/35284849信用评分模型可用“四张卡”来表示，分别是 A卡（Applica...
银行客户流失预测
m0_63642362的博客
02-11 5339
对银行的用户数据进行分析，探索对用户流失有深刻影响的相关指标，有助于帮助制定有针对性的用户挽留计划，提高用户留存率。得出和留存有关的最重要特征情况，并和BML的AutoML模式进行了比较。
《Web安全之机器学习入门》笔记：第八章 8.2 逻辑回归hello world
mooyuan的博客
01-31 517
这一小节主要内容是用鸢尾花数据集来作为实验数据集讲解逻辑回归的基本用法 1.源码修改 书中配套源码为8-1.py，源码报警 C:\ProgramData\Anaconda3\python.exe C:/Users/liujiannan/PycharmProjects/pythonProject/Web安全之机器学习入门/code/8-1.py None C:\ProgramData\Anaconda3\lib\site-packages\sklearn\linear_model\logistic..
信用评分卡模型分析(基于Python)--python实现
fulk6667g78o8的专栏
10-13 4314
上一篇文章信用评分卡模型分析（理论部分）已经介绍了信用评分卡模型的数据预处理、探索性数据分析、变量分箱和变量选择等。接下来使用Python建立信用评分卡，对用户行为进行打分，继续讨论信用评分卡的模型python实现和分析，信用评分的方法和自动评分系统。（建立ABC卡则需要对自变量和因变量有针对性的进行调整，流程大体一致） 流程： 导入数据 数据预处理 探索分析 特征选择 模型训练 模型评估 模型结果转评分 计算用户总分 一、导入数据 import pandas as pdimport...
信用卡评分模型python
03-29
下面是使用Python进行信用卡评分模型的代码示例： ``` # 导入必要的库 import pandas as pd from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值