加权评分模型（weighted scoring model）

已于 2022-11-03 15:12:35 修改
阅读量3.9k 收藏 6
点赞数 2
分类专栏： # 883 IT项目管理 文章标签： 软件工程
于 2022-11-02 21:57:31 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_37397652/article/details/127657747
版权

加权评分模型是一种选择合适的项目去开发的方法

Methods for selecting projects：选择一个合适的项目可以采用如下方法

  • Focusing on broad organizational needs
  • Categorizing information technology projects
  • Performing net present value or other financial analysis
  • Using a weighted scoring model

加权评分模型是什么

Provides a systematic process for selecting projects based on many criteria
加权评分模型为基于各种标准选择一个合适的项目提供了一种系统化的方法

  • Identify criteria important to the project selection process 为每个待选项目确定重要的评价标准
  • Assign weights (percentages) to each criterion so they add up to 100% 分配每个标准的权重占比，使它们相加等于100%
  • Assign scores to each criterion for each project 针对每个项目对应每个评价标准打分
  • Multiply the scores by the weights and get the total weighted scores 将分数和所占权重相乘，得到总的加权分数
    Sample weighted model for project selection
    表中最左侧的评分标准依次为：
  • Supports key business objectives 支持关键业务目标
  • Has strong internal sponsor 拥有强大的内部赞助者
  • Has strong customer support 得到客户的强烈支持
  • Use realistic level of technology 使用合理的技术水平
  • Can be implemented in one year or less 可以在一年或更短时间内实施
  • Provides positive NPV 项目的净现值（NPV）为正
  • Has low risk in meeting scope, time, and cost goals 在实现范围、时间和成本目标方面风险较低
Python 机器学习 基础 之 模型评估与改进 【评估指标与评分】的简单说明
仙魁XAN
05-28 1783
Python是一种跨平台的计算机程序设计语言。是一种面向对象的动态类型语言，最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。Python是一种解释型脚本语言，可以应用于以下领域： Web 和 Internet开发、科学计算和统计、人工智能、教育、桌面界面开发、软件开发、后端开发、网络爬虫。Python 机器学习是利用 Python 编程语言中的各种工具和库来实现机器学习算法和技术的过程。
一文速学-XGBoost模型算法原理以及实现+贷款违约预测模型Python项目实战
master_hunter的博客
04-03 1万+
集成模型Boosting补完计划第三期了，之前我们已经详细描述了AdaBoost算法模型和GBDT原理以及实践。通过这两类算法就可以明白Boosting算法的核心思想以及基本的运行计算框架，余下几种Boosting算法都是在前者的算法之上改良得到，尤其是以GBDT算法为基础改进衍生出的三种Boosting算法：XGBoost、LightGBM、CatBoost。大家应该都对XGBoost算法模型熟悉但是对GBDT模型一无所知，看过之前GBDT的读者应该对GBDT模型有了一个很清楚的认知，对于理解XGBoos
聊一聊评分模型校准
lc434699300的博客
11-10 1618
最近想整理一下关于信用评分校准的一些知识，发现求是汪老师的文章已经很详细、全面地介绍了这块的内容，于是仔细读了一遍他的文章，并对其中的重点作一下笔记。求是汪老师的文章链接是信用评分卡模型分数校准。 一.分数校准的业务应用场景 分数校准主要应用在3种场景下。 1.分群子评分卡作分数融合。 2.降级备用模型和主模型分数校准。 3.客群变化对原模型分数进行修正。 其实还有一种情况需要校准模型，就是对样本进行抽样建模之后...
Scorecard 评分卡模型
热门推荐
textboy的专栏
07-20 4万+
公式 woe=ln(odds)，beita为回归系数，altha为截距，n为变量个数，offset为偏移量（视风险偏好而定），比例因子factor。   总评分。或去掉负号。   Logistic Regression with Weight of Evidence   比例因子和偏移量为： 令好坏比为50，对应的评分为600；在些基础上评分值增加20分，e
如何搭建一套完整的评分模型：从理论到实操
baidu_26137595的博客
02-12 1942
评分模型无论是在用户评分、商家评级中都会用到，本文详细介绍了搭建评分模型的基本方法、主权赋权/客观赋权法、核心的参考代码等。
信用评分模型
04-28
信用评分模型 信用评分模型 信用评分模型 信用评分模型 信用评分模型 信用评分模型 信用评分模型 信用评分模型 信用评分模型 信用评分模型 信用评分模型 信用评分模型 信用评分模型 信用评分模型 信用评分模型 信用评分模型
评分卡模型
u013052732的专栏
04-25 7216
一、评分卡模型介绍 评分卡模型是常用的金融风控手段之一 风控，就是风险控制，我们采取各种措施和方法，减少风险发生的可能性，或风险发生时造成的损失 根据客户的各种属性和行为数据，利用信用评分模型，对客户的信用进行评分，从而决定是否给予授信，授信的额度和利率，减少在金融交易中存在的交易风险 按照不同的业务阶段，可以划分为三种： 贷前：申请评分卡（Application score card），称为A卡 贷中：行为评分卡（Behavior score card），称为B卡
python评分卡模型
toby001111的博客
09-01 6060
​ 信用风险计量模型可以包括跟个人信用评级，企业信用评级和国家信用评级。人信用评级有一系列评级模型组成，常见是A卡（申请评分卡）、B卡（行为模型）、C卡（催收模型）和F卡（反欺诈模型）。 今天我们展示的是个人信用评级模型的开发过程，数据采用kaggle上知名的give me some credit数据集。 ​
模型融合
Eytins1的博客
04-04 1094
文章目录模型融合Stacking相关理论介绍代码示例回归\分类概率-融合：1. 简单加权平均，结果直接融合2. Stacking融合(回归)：分类模型融合1. Voting投票机制：2. 分类的Stacking\Blending融合3. 分类的Stacking融合(利用mlxtend)赛题示例1. 导入数据及定义方法2. XGBoost的五折交叉回归验证实现3. 划分数据集，并用多种方法训练和预测...
项目管理学习（III)
qq_38586378的博客
10-10 214
一、Project integration management（项目集成管理） 集成管理的一般内容（项目管理十大知识领域内，其他领域请参考https://mp.csdn.net/postedit/82767447） 概念：涉及在整个项目的生命周期中协调所有其他项目管理知识领域。 这种集成可确保项目的所有元素在正确的时间汇集在一起，从而成功完成项目。 集成管理六大主要过程的相关内容 六大过...
【业务适用性】提高加权随机森林模型的业务场景解释性
[【业务适用性】提高加权随机森林模型的业务场景解释性](https://d3i71xaburhd42.cloudfront.net/7333e127b62eb545d81830df2a66b98c0693a32b/14-Figure3-1.png) # 1. 随机森林模型基础及其业务适用性 随机森林模型...
信用卡评分模型（带演示程序）
08-21
主要是行用卡模型，带有文档和程序，可以直接运行，适用于那些金融行业进行POC
数学建模 权重确认
05-30
权重是一个相对的概念，是针对某一指标而言。某一指标的权重是指该指标在整体评价中的相对重要程度。　　 自重权数：以权数作为指标的分值（或分数），或者以权数直接作为等级的分值。 加重权数：在各指标的已知分值（即自重权数）前面设立的权数。
时空加权回归模型ARCGIS安装包
11-29
时空加权回归模型，利用arcgis加载插件，亲测可用，拟合效果较好
3分钟搞明白信用评分卡模型&模型验证
weixin_34290000的博客
02-04 1692
信用评分卡模型在国外是一种成熟的预测方法，尤其在信用风险评估以及金融风险控制领域更是得到了比较广泛的使用，其原理是将模型变量WOE编码方式离散化之后运用logistic回归模型进行的一种二分类变量的广义线性模型。  本文重点介绍模型变量WOE以及IV原理，为表述方便，本文将模型目标标量为1记为违约用户，对于目标变量为0记为正常用户；则WOE(weight of Evidence)其实就是自变量取某...
评分模型的检验方法和标准&信用评分及实现
weixin_33670713的博客
02-04 1906
评分模型的检验方法和标准通常有：K-S指标、交换曲线、AR值、Gini数等。例如，K-S指标是用来衡量验证结果是否优于期望值，具体标准为：如果K-S大于40%，模型具有较好的预测功能，发展的模型具有成功的应用价值。K-S值越大，表示评分模型能够将“好客户”、“坏客户”区分开来的程度越大。 评分模型的检验方法和标准通常有：K-S指标、交换曲线、AR值、Gini数等。例如，K-S指标是用来衡量验证...
【机器学习】Scoring Model Scores: 理解、设计与优化评分模型
2301_81771576的博客
07-18 1841
最后，模型部署是将训练好的模型应用于新数据，生成评分，可能需要与现有业务系统集成[^1^]。AUC是评估二分类模型性能的重要指标，它衡量了ROC曲线下的面积，值范围在0到1之间，AUC越高，表明模型的性能越好。例如，金融机构使用评分模型来评估信贷申请人的违约风险，而电商网站则利用评分模型预测用户对产品的兴趣程度，提供个性化的商品推荐[^1^]。构建评分模型时应关注数据质量、特征选择、模型算法及评估指标，同时通过不断优化和更新，确保模型在实际应用中的准确性和可靠性。
第一讲、风险风控建模-评分模型介绍
yang1015661763的博客
11-06 1287
例如，在金融领域的风控建模中，我们可能会根据客户的个人信息（如年龄、性别、职业等），以及客户的信贷历史、还款行为等变量来构建评分模型。然后，通过加权求和或其他数学运算，我们可以得到每个客户的一个风险评分。此外，考虑到评分卡模型的统计学特性，例如其分箱与WOE编码可以降低数据的复杂度和特征的灵敏度，提升了模型的稳定性，这使得它特别适合用于处理大规模的零售业务。例如，在金融领域，评分模型常被用于客户的信用评估和风险识别，如A银行互联网贷款申请评分模型就是数据挖掘技术应用于客户风险识别的一个实例。
模型的加权融合
weixin_45366750的博客
08-12 1468
模型MAE大，则赋值的权重小。模型MAE小，则赋值的权重大 val_Weighted = (1-MAE_lgb/(MAE_xgb+MAE_lgb))*val_lgb+(1-MAE_xgb/(MAE_xgb+MAE_lgb))*val_xgb # 观察val_Weighted分布，修正不符实际的数据 val_Weighted[val_Weighted<0]=10 ...
还有模型评估结果
最新发布
03-16
<think>好的，用户之前已经问过如何在训练XGBoost模型后输出训练集和测试集的评估指标，现在他们再次提到“还有模型评估结果”，可能需要更详细的评估方法或者解释。首先，我需要确定用户的需求是什么。可能的情况是，用户已经按照之前的建议修改了代码，现在想知道更多的评估方法，或者对现有的评估结果有疑问。 回顾之前的对话，用户已经添加了训练集和测试集的分类报告，包括精确度、召回率、F1分数和支持数。现在用户可能想要了解其他评估指标，比如混淆矩阵、ROC曲线、AUC值，或者交叉验证的结果。此外，用户可能对过拟合问题感兴趣，或者想了解如何解释现有的评估结果。 接下来，我需要考虑用户的背景。用户可能在做一个分类任务，使用XGBoost进行多分类问题。他们可能对机器学习有一定的了解，但需要更详细的指导。因此，我应该提供几种常见的模型评估方法，并给出代码示例，同时解释这些方法的作用和如何解读结果。 可能的扩展点包括： 1. 混淆矩阵：更直观地显示每个类别的分类情况。 2. ROC曲线和AUC值：适用于二分类，但多分类可能需要调整。 3. 交叉验证：确保模型评估的稳定性。 4. 特征重要性：帮助理解模型哪些特征影响大。 5. 学习曲线：判断模型是否过拟合或欠拟合。 6. 分类报告的其他指标：比如宏平均和加权平均的区别。 需要注意的是，用户的问题是多分类，所以ROC和AUC可能需要特别处理，比如使用OvR或OvO策略。另外，XGBoost本身支持特征重要性，可以方便地输出。 同时，用户可能在之前的代码中只用了classification_report，现在可能需要更全面的评估。因此，我应该分步骤介绍不同的评估方法，每种方法都给出代码示例和解释，帮助用户逐步完善模型评估。 最后，还要提醒用户根据评估结果调整模型参数，比如处理过拟合的情况，或者进行特征工程优化。确保回答结构清晰，逐步引导用户深入分析模型性能。</think>以下是模型评估结果的完整解读框架和扩展分析方法： --- ### **一、基础评估指标（已实现部分）** ```python # 分类报告输出示例 print(classification_report(y_true, y_pred)) ``` **输出示例：** ``` precision recall f1-score support 0 0.95 0.98 0.97 200 1 0.89 0.85 0.87 100 2 0.92 0.90 0.91 50 accuracy 0.93 350 macro avg 0.92 0.91 0.91 350 weighted avg 0.93 0.93 0.93 350 ``` **指标详解：** 1. **精确度（Precision）** $Precision = \frac{TP}{TP+FP}$ *意义：预测为正类的样本中实际为正类的比例* 2. **召回率（Recall）** $Recall = \frac{TP}{TP+FN}$ *意义：实际为正类的样本中被正确预测的比例* 3. **F1分数（F1-Score）** $F1 = 2 \times \frac{Precision \times Recall}{Precision + Recall}$ *意义：精确度与召回率的调和平均数* 4. **支持数（Support）** *每个类别的真实样本数量* --- ### **二、进阶评估方法（推荐补充）** #### **1. 混淆矩阵（Confusion Matrix）** ```python from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay cm = confusion_matrix(y_test, y_test_pred) disp = ConfusionMatrixDisplay(cm, display_labels=best_xgb_model.classes_) disp.plot(cmap='Blues') plt.title("Confusion Matrix") plt.show() ``` **作用**：可视化每个类别的错分情况，定位模型主要错误类型 --- #### **2. ROC曲线与AUC（适用于二分类问题）** ```python from sklearn.metrics import RocCurveDisplay # 需将多分类转为二分类（OvR策略） y_prob = best_xgb_model.predict_proba(X_test) plt.figure(figsize=(8,6)) for i in range(len(best_xgb_model.classes_)): RocCurveDisplay.from_predictions( y_test == i, # 当前类别作为正类 y_prob[:, i], # 当前类别的预测概率 name=f"Class {i} vs Rest", plot_chance_level=(i==0) # 仅显示一次参考线 ) plt.title("Multiclass ROC Curves") plt.show() ``` **作用**：评估模型在不同阈值下的分类性能，AUC值越大表示区分能力越强 --- #### **3. 交叉验证评估** ```python from sklearn.model_selection import cross_val_score scores = cross_val_score( best_xgb_model, X, y, cv=5, scoring='accuracy' ) print(f"交叉验证准确率：{scores.mean():.3f} ± {scores.std():.3f}") ``` **输出示例**： `交叉验证准确率：0.927 ± 0.015` **意义**：验证模型稳定性，避免单次数据划分的偶然性 --- #### **4. 特征重要性分析** ```python from xgboost import plot_importance plt.figure(figsize=(10,6)) plot_importance(best_xgb_model, max_num_features=15) plt.title("Feature Importance") plt.show() ``` **作用**：识别对模型预测贡献最大的特征，辅助特征工程优化 --- ### **三、关键分析维度** 1. **过拟合诊断** - 理想情况：训练集与测试集指标差距 < 5% - 风险情况：训练集准确率 > 测试集准确率 + 10% 2. **类别不平衡分析** - 关注**加权平均（weighted avg）**而非宏平均（macro avg） - 若支持数差异大，建议添加`class_weight`参数 3. **错误模式定位** - 通过混淆矩阵发现： - 哪些类别容易被混淆 - 是否存在系统性误分类 --- ### **四、完整评估报告框架** ```python def full_evaluation(model, X_train, X_test, y_train, y_test): # 训练集评估 y_train_pred = model.predict(X_train) print("=== 训练集评估 ===") print(classification_report(y_train, y_train_pred)) # 测试集评估 y_test_pred = model.predict(X_test) print("\n=== 测试集评估 ===") print(classification_report(y_test, y_test_pred)) # 混淆矩阵 cm = confusion_matrix(y_test, y_test_pred) sns.heatmap(cm, annot=True, fmt='d') # 特征重要性 plot_importance(model) # 返回预测概率（用于进一步分析） return model.predict_proba(X_test) ``` --- ### **五、典型问题应对建议** | 现象 | 可能原因 | 解决方案 | |------|----------|----------| | 训练集指标显著高于测试集 | 过拟合 | 增加正则化（reg_lambda），减小max_depth | | 某一类别召回率极低 | 样本不平衡 | 调整class_weight，使用SMOTE过采样 | | 所有类别F1-score均低 | 特征表达不足 | 进行特征工程，增加交叉特征 | | 验证集波动大 | 数据量不足 | 增加数据量，使用K折交叉验证 | 建议根据评估结果选择对应的优化策略，持续迭代模型。是否需要针对某个具体评估指标展开详细说明？
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