使用LR构建评分卡模型
第一步:获取数据和读取数据
数据为个人消费类贷款数据,目标是建成A卡的信用卡评分模型。一共有这么几个特征
SeriousDlqin2yrs(出现90天或更长时间的逾期行为)
SeriousDlqin2yrs1时,为坏客户;SeriousDlqin2yrs0时为好客户;
RevolvingUtilizationofunsecuredlines(贷款以及信用卡可用额度与总额度比例)
age(借款人借款年龄)
Numberoftime30-59dayspastduenotworse(过去两年内出现35-59天逾期但是没有发展得更坏的次数)
DebtRatio(每月偿还债务,赡养费,生活费用除以月总收入)
Monthlyincome(月收入)
Numberoftimes90dayslate(过去2年内出现90天逾期或更坏的次数)
Numberrealestateloansorlines(抵押贷款和房地产贷款数量,包括房屋净值信贷额度)
Numberoftime60-89dayspastduenotworse(过去两年内出现60-89天逾期但是没有发展得更坏的次数)
NumberofDependents(家庭中不包括自身的家属人数(配偶,子女等))
%matplotlib inline
import numpy as np
import pandas as pd
from sklearn.linear_model import LogisticRegression as LR
data = pd.read_csv(r".\rankingcard.csv",index_col=0)
第二步:数据清洗和特征工程
数据探索
#观察数据类型
data.head()#注意可以看到第一列为标签,剩下的10列为特征
#观察数据结构
data.shape#(150000, 11)
data.info()
#探索缺失值
data.isnull().sum()/data.shape[0]#得到缺失值的比例
#data.isnull().mean()#上一行代码的另一种形式书写
删除重复值和填补缺失值
删除重复值
data.drop_duplicates(inplace=True)
#删除后一定要恢复索引
data.index = range(data.shape[0])
对缺失比例比较少的用均值进行填补
data['NumberOfDependents'].fillna(int(data['NumberOfDependents'].mean()),inplace=True)
对缺失比例比较大,用随机森林进行填充
def fill_missing_rf(X,y,to_fill):
"""
使用随机森林填补一个特征的缺失值的函数
参数:
X:要填补的特征矩阵
y:完整的,没有缺失值的标签
to_fill:字符串,要填补的那一列的名称
"""
#构建我们的新特征矩阵和新标签
df = X.copy()
fill = df.loc[:,to_fill]
df = pd.concat([df.loc[:,df.columns != to_fill],pd.DataFrame(y)],axis=1)
# 找出我们的训练集和测试集
Ytrain = fill[fill.notnull()]
Ytest = fill[fill.isnull()]
Xtrain = df.iloc[Ytrain.index,:]
Xtest = df.iloc[Ytest.index,:]
#用随机森林回归来填补缺失值
from sklearn.ensemble import RandomForestRegressor as rfr
rfr = rfr(n_estimators=100)
rfr = rfr.fit(Xtrain, Ytrain)
Ypredict = rfr.predict(Xtest)
return Ypredict
X = data.iloc[:,1:]
y = data["SeriousDlqin2yrs"]#y = data.iloc[:,0]
X.shape#(149391, 10)
#=====[TIME WARNING:1 min]=====#
y_pred = fill_missing_rf(X,y,"MonthlyIncome")
#注意可以通过以下代码检验数据是否数量相同
# y_pred.shape == data.loc[data.loc[:,"MonthlyIncome"].isnull(),"MonthlyIncome"].shape
#确认我们的结果合理之后,我们就可以将数据覆盖了
data.loc[data.loc[:,"MonthlyIncome"].isnull(),"MonthlyIncome"] = y_pred
data.info()
异常值处理
#异常值也被我们观察到,年龄的最小值居然有0,这不符合银行的业务需求,即便是儿童账户也要至少8岁,我们可以
# 查看一下年龄为0的人有多少
(data["age"] == 0).sum()
#发现只有一个人年龄为0,可以判断这肯定是录入失误造成的,可以当成是缺失值来处理,直接删除掉这个样本
data = data[data["age"] != 0]
样本不均衡的问题
通过上采样来解决样本不均衡的问题,让正负样本变成1:1
#探索标签的分布
X = data.iloc[:,1:]
y = data.iloc[:,0]
y.value_counts()#查看每一类别值得数据量,查看样本是否均衡
n_sample = X.shape[0]
n_1_sample = y.value_counts()[1]
n_0_sample = y.value_counts()[0]
print('样本个数:{}; 1占{:.2%}; 0占{:.2%}'.format(n_sample,n_1_sample/n_sample,n_0_sample/n_sample))
#样本个数:149165; 1占6.62%; 0占93.38%
#如果报错,就在prompt安装:pip install imblearn
import imblearn
#imblearn是专门用来处理不平衡数据集的库,在处理样本不均衡问题中性能高过sklearn很多
#imblearn里面也是一个个的类,也需要进行实例化,fit拟合,和sklearn用法相似
from imblearn.over_sampling import SMOTE
sm = SMOTE(random_state=42) #实例化
X,y = sm.fit_sample(X,y)
n_sample_ = X.shape[0]#278584
pd.Series(y).value_counts()
n_1_sample = pd.Series(y).value_counts()[1]
n_0_sample = pd.Series(y).value_counts()[0]
print('样本个数:{}; 1占{:.2%}; 0占{:.2%}'.format(n_sample_,n_1_sample/n_sample_,n_0_sample/n_sample_))
#样本个数:278584; 1占50.00%; 0占50.00%
划分训练集和测试集
from sklearn.model_selection import train_test_split
X = pd.DataFrame(X)
y = pd.DataFrame(y)
X_train, X_vali, Y_train, Y_vali = train_test_split(X,y,test_size=0.3,random_state=420)
model_data = pd.concat([Y_train, X_train], axis=1)#训练数据构建模型
model_data.index = range(model_data.shape[0])
model_data.columns = data.columns
vali_data = pd.concat([Y_vali, X_vali], axis=1)#验证集
vali_data.index = range(vali_data.shape[0])
vali_data.columns = data.columns
model_data.to_csv(r".\model_data.csv")#训练数据
vali_data.to_csv(r".\vali_data.csv")#验证数据
对变量进行分箱处理
分箱目标
分箱想要达成的效果:
我们希望不同属性的人有不同的分数,因此希望在同一个箱子内的人的属性是尽量相似的,而不同箱子的人的属性是尽量不同的,即业界常说的“组间差异大,组内差异小”。对于评分卡来说,就是说我们希望每一个箱子内的人违约概率是相似的,而不同箱子的人的违约概率差距很大,即WOE差距要大。这里可以使用卡方检验来对比两个箱子之间的相似性,如果两个箱子之间卡方减员的P值很大,则说明他们非常相似,那我们可以将这两个箱子合并为一个箱子。
基于这样的思想,我们总结出对特征进行分箱的步骤:
(1)首先将连续型变量分成一组数量较多的分类型变量(q组)
(2)确保每一组中都要包含两种类别的样本,否则IV值无法计算
(3)我们对相邻的组进行卡方检验,卡方检验的P值很大的组进行合并,直到数据中的组数小于设定的N箱为止
(4)我们让一个特征分别分成【2,3,4…20】箱,观察每个分箱个数下的IV值如何变化,找出最适合的分箱个数
(5)分箱完毕后,我们计算每个箱的WOE值,观察分箱结果
首先对各个特征做等频分箱,初始分箱个数为q,求出每个分箱中0和1的数量,可以对应求出woe和iv值,通过卡方检验
def graphforbestbin(DF, X, Y, n=5,q=20,graph=True):
'''
自动最优分箱函数,基于卡方检验的分箱
参数:
DF: 需要输入的数据
X: 需要分箱的列名
Y: 分箱数据对应的标签 Y 列名
n: 保留分箱个数
q: 初始分箱的个数
graph: 是否要画出IV图像
区间为前开后闭 (]
'''
DF = DF[[X,Y]].copy()
DF["qcut"],bins = pd.qcut(DF[X], retbins=True, q=q,duplicates="drop")
coount_y0 = DF.loc[DF[Y]==0].groupby(by="qcut").count()[Y]
coount_y1 = DF.loc[DF[Y]==1].groupby(by="qcut").count()[Y]
num_bins = [*zip(bins,bins[1:],coount_y0,coount_y1)]
#确保每个分箱中有0和1
for i in range(q):
if 0 in num_bins[0][2:]:
num_bins[0:2] = [(
num_bins[0][0],
num_bins[1][1],
num_bins[0][2]+num_bins[1][2],
num_bins[0][3]+num_bins[1][3])]
continue
for i in range(len(num_bins)):
if 0 in num_bins[i][2:]:
num_bins[i-1:i+1] = [(
num_bins[i-1][0],
num_bins[i][1],
num_bins[i-1][2]+num_bins[i][2],
num_bins[i-1][3]+num_bins[i][3])]
break
else:
break
def get_woe(num_bins):
columns = ["min","max","count_0","count_1"]
df = pd.DataFrame(num_bins,columns=columns)
df["total"] = df.count_0 + df.count_1
df["percentage"] = df.total / df.total.sum()
df["bad_rate"] = df.count_1 / df.total
df["good%"] = df.count_0/df.count_0.sum()
df["bad%"] = df.count_1/df.count_1.sum()
df["woe"] = np.log(df["good%"] / df["bad%"])
return df
def get_iv(df):
rate = df["good%"] - df["bad%"]
iv = np.sum(rate * df.woe)
return iv
IV = []
axisx = []
while len(num_bins) > n:
pvs = []
for i in range(len(num_bins)-1):
x1 = num_bins[i][2:]
x2 = num_bins[i+1][2:]
pv = scipy.stats.chi2_contingency([x1,x2])[1]
pvs.append(pv)
i = pvs.index(max(pvs))
num_bins[i:i+2] = [(
num_bins[i][0],
num_bins[i+1][1],
num_bins[i][2]+num_bins[i+1][2],
num_bins[i][3]+num_bins[i+1][3])]
bins_df = pd.DataFrame(get_woe(num_bins))
axisx.append(len(num_bins))
IV.append(get_iv(bins_df))
if graph:
plt.figure()
plt.plot(axisx,IV)
plt.xticks(axisx)
plt.xlabel("number of box")
plt.ylabel("IV")
plt.show()
return bins_df
分出来的分箱所追求的效果
1.希望每组的bad_rate相差越大越好
2.woe差异越大越好,应该具有单调性,要么由正到负,要么由负到正,只能由一个转折过程
3.如果woe值大小变化由两个转折,比如呈现w型,证明分箱过程有问题
4.num_bins保留的信息越多越好
接下来利用上述函数求出每个特征在不同的分箱下的IV值,根据IV值下降得陡峭的进行决定最后的分箱个数
model_data.columns
for i in model_data.columns[1:-1]:
print(i)
graphforbestbin(model_data,i,"SeriousDlqin2yrs",n=2,q=20)
分箱结果,由于有些是分不出来的,需要进行手动分箱,其他根据自动分箱
其实可以发现,不是每个特征都可以自动完成分箱这么多,像家人数量,就无法分出20组,于是可以将可以分箱的特征放出来单独分组,不能自动分箱的变量自己观察。
一样的步骤,
1.对于能够进行自动分箱的确定好其分箱个数,把其通过等频分箱和卡方检验求出的对应箱子上下限求出来,同时将手动分箱的,手动进行分箱取值,在这里都设为3个分箱,同时将np.inf替换最大值,用-np.inf替换最小值,确保模型换了个更大的值进来也能找到相应的箱子可以选择。
2.找出每个分箱中的1和0 的数量,求出每个特征对应的woe值,将每个特征对应分箱的woe值映射在特征矩阵中
3.分出训练集和测试集,准备模型拟合训练
auto_col_bins = {"RevolvingUtilizationOfUnsecuredLines":6,
"age":5,
"DebtRatio":4,
"MonthlyIncome":3,
"NumberOfOpenCreditLinesAndLoans":5}
#不能使用自动分箱的变量
hand_bins = {"NumberOfTime30-59DaysPastDueNotWorse":[0,1,2,13]
,"NumberOfTimes90DaysLate":[0,1,2,17]
,"NumberRealEstateLoansOrLines":[0,1,2,4,54]
,"NumberOfTime60-89DaysPastDueNotWorse":[0,1,2,8]
,"NumberOfDependents":[0,1,2,3]}
#保证区间覆盖使用 np.inf替换最大值,用-np.inf替换最小值
#原因:比如一些新的值出现,例如家庭人数为30,以前没出现过,改成范围为极大值之后,这些新值就都能分到箱里边了
hand_bins = {k:[-np.inf,*v[:-1],np.inf] for k,v in hand_bins.items()}
bins_of_col = {}
# 生成自动分箱的分箱区间和分箱后的 IV 值
for col in auto_col_bins:
bins_df = graphforbestbin(model_data,col
,"SeriousDlqin2yrs"
,n=auto_col_bins[col]
#使用字典的性质来取出每个特征所对应的箱的数量
,q=20
,graph=False)
bins_list = sorted(set(bins_df["min"]).union(bins_df["max"]))
#保证区间覆盖使用 np.inf 替换最大值 -np.inf 替换最小值
bins_list[0],bins_list[-1] = -np.inf,np.inf
bins_of_col[col] = bins_list
#合并手动分箱数据
bins_of_col.update(hand_bins)
data = model_data.copy()
#函数pd.cut,可以根据已知的分箱间隔把数据分箱
#参数为 pd.cut(数据,以列表表示的分箱间隔)
data = data[["age","SeriousDlqin2yrs"]].copy()
data["cut"] = pd.cut(data["age"],[-np.inf, 48.49986200790144, 58.757170160044694, 64.0, 74.0, np.inf])
data.head()
#将数据按分箱结果聚合,并取出其中的标签值
data.groupby("cut")["SeriousDlqin2yrs"].value_counts()
#使用unstack()来将树状结构变成表状结构
data.groupby("cut")["SeriousDlqin2yrs"].value_counts().unstack()
bins_df = data.groupby("cut")["SeriousDlqin2yrs"].value_counts().unstack()
bins_df["woe"] = np.log((bins_df[0]/bins_df[0].sum())/(bins_df[1]/bins_df[1].sum()))
def get_woe(df,col,y,bins):
df = df[[col,y]].copy()
df["cut"] = pd.cut(df[col],bins)
bins_df = df.groupby("cut")[y].value_counts().unstack()
woe = bins_df["woe"] = np.log((bins_df[0]/bins_df[0].sum())/(bins_df[1]/bins_df[1].sum()))
return woe
#将所有特征的WOE存储到字典当中
woeall = {}
for col in bins_of_col:
woeall[col] = get_woe(model_data,col,"SeriousDlqin2yrs",bins_of_col[col])
#不希望覆盖掉原本的数据,创建一个新的DataFrame,索引和原始数据model_data一模一样
model_woe = pd.DataFrame(index=model_data.index)
#将原数据分箱后,按箱的结果把WOE结构用map函数映射到数据中
model_woe["age"] = pd.cut(model_data["age"],bins_of_col["age"]).map(woeall["age"])
#对所有特征操作可以写成:
for col in bins_of_col:
model_woe[col] = pd.cut(model_data[col],bins_of_col[col]).map(woeall[col])
#将标签补充到数据中
model_woe["SeriousDlqin2yrs"] = model_data["SeriousDlqin2yrs"]
#这就是我们的建模数据了
model_woe.head()
vali_woe = pd.DataFrame(index=vali_data.index)
for col in bins_of_col:
vali_woe[col] = pd.cut(vali_data[col],bins_of_col[col]).map(woeall[col])
vali_woe["SeriousDlqin2yrs"] = vali_data["SeriousDlqin2yrs"]
vali_X = vali_woe.iloc[:,:-1]
vali_y = vali_woe.iloc[:,-1]
第三步:模型开发
使用逻辑回归对模型进行拟合,先使用不加任何的参数进行训练
X = model_woe.iloc[:,:-1]
y = model_woe.iloc[:,-1]
from sklearn.linear_model import LogisticRegression as LR
lr = LR().fit(X,y)
lr.score(vali_X,vali_y)#0.8641356370249832
#结果为0.8641356370249832
对其进行学习曲线的绘制进行调参
逻辑回归主要的参数是C,penalty,solver和max_iter还有multi_class
C是正则化强度的倒数,C越小,损失函数会越小,模型对损失函数的惩罚越重,正则化的效力越强。防止过拟合
penalty 可以输入l1和l2来指定使用哪一种正则化方式,不填写默认L2
注意若选择L1正则化,参数solver仅能够使用求解方式‘liblinear’和‘saga’,若使用‘l2’正则化,参数solver中所有的求解方式都可以使用。
solver默认是liblinear”是二分类专用,也是现在的默认求解器
multiclass 输入ovr ,multinomial,auto来告知模型,我们要处理的分类问题的类型,默认是ovr
ovr 二分类
multinomial 多分类
auto根据标签类型自己选择
l1与l2正则化
在l1正则化在逐渐加强的过程中,携带信息量小的、对模型贡献不大的特征的参数,会比携带大量信息的、对模型由巨大贡献的特征的参数更快地变成0,所以L1正则化本质是一个特征选择的过程,掌管了参数的‘稀疏性’。一般来说,如果特征量很大,数据维度很高,我们会倾向于使用L1正则化。
相对的,L2正则化在加强的过程中,会尽量让每个特征对模型都有一些小的贡献,但携带信息少,对模型贡献不大的特征的参数非常接近于0。通常来说,如果我们的主要目的只是为了防止过拟合,选择L2正则化就足够了
c_1 = np.linspace(0.01,1,20)
c_2 = np.linspace(0.01,0.2,20)
score = []
for i in c_1:
lr = LR(solver='liblinear',C=i).fit(X,y)
score.append(lr.score(vali_X,vali_y))
plt.figure()
plt.plot(c_1,score)
plt.show()
lr.n_iter_#array([7], dtype=int32)
score = []
for i in [1,2,3,4,5,6]:
lr = LR(solver='liblinear',C=0.025,max_iter=i).fit(X,y)
score.append(lr.score(vali_X,vali_y))
plt.figure()
plt.plot([1,2,3,4,5,6],score)
plt.show()
由于模型的特征只有10个,没有特别高维度,故采用L2正则化就行。for循环对C值和max_iter值根据C和max_iter的不同取值画学习曲线,发现准确度的上限也是逼近刚好没调参的时候,故不用进行太多的调参了。
第四步:模型检验与评估
ROC曲线
曲线落在了左上方,AUC为0.94,取得了比准确度更好的结果,对于评分卡这种更看准抓捕少数类样本的模型,取得的效果是相当不错了,召回率比较高
import scikitplot as skplt
#%%cmd
#pip install scikit-plot
vali_proba_df = pd.DataFrame(lr.predict_proba(vali_X))
skplt.metrics.plot_roc(vali_y, vali_proba_df,
plot_micro=False,figsize=(6,6),
plot_macro=False)
第五步:模型上线
建立评分卡模型
建模完毕,使用准确率和ROC曲线验证了模型的预测能力。接下来就是用逻辑回归转换为标准评分卡了,评分卡中的分数,由以下公式计算:
S
c
o
r
e
=
A
−
B
∗
l
o
g
(
o
d
d
s
)
Score = A - B*log(odds)
Score=A−B∗log(odds)
其中A与B是常数,A叫做补偿,B叫做刻度,log(odds)代表了一个人违约的可能性。其实逻辑回归的结果取对数几率形式会得到
θ
T
x
\theta^Tx
θTx,即我们的参数*特征矩阵,所以log(odds)就是我们的参数,两个常数可以通过两个假设的分值带入公式求出,这两个假设分别是:
1、某个特定的违约概率下的预期分值
2.指定的违约概率翻倍的分数(PDO)
假如,假设对数几率为1/60时设定的特定分数为600,PDO=20,那么对数几率为1/30的分数就是620,
带上以上线性表达式,可以得到:
600
=
A
−
B
∗
l
o
g
(
1
/
60
)
600 = A-B*log(1/60)
600=A−B∗log(1/60)
620
=
A
−
B
∗
l
o
g
(
1
/
30
)
620 = A - B*log(1/30)
620=A−B∗log(1/30)
用numpy可以很容易求出A和B的值;
B = 20/np.log(2)
A = 600 + B*np.log(1/60)
有了A和B,分数就很容易得到,将截距作为log(odds)带入公式进行计算,而其他各个特征的分数,也是将系数带入进行计算
#得到基础分
base_score = A -B*lr.intercept_
#得到每个特征对应的分数
score_age = woeall['age'] *(-B*lr.coef_[0][1])
withopen(file,"w") asfdata:
fdata.write("base_score,{}\n".format(base_score))fori,colinenumerate(X.columns):
score = woeall[col] * (-B*lr.coef_[0][i])
score.name = "Score"
score.index.name = col
score.to_csv(file,header=True,mode="a")
第六步:监测与报告
引用了菜菜老师的课程~