如何将LR的预测概率值转化为分数？

如何将LR的预测概率值转化为分数？

​ 背景：在互联网金融中，一般用LR模型来预测一个借贷用户的好坏，但是LR模型得到的结果是逾期的概率值，如何仅仅给出预测概率值，人一般很难判断这个概率值代表的用户质量好坏，但是如果能够给出分数就比较理解了。而我们一般要把逾期概率转为分数来供公司进行决策，那么如何将逾期概率转化为用户质量的得分，例如0-100呢？

​ 最容易想到的是将逾期率概率值直接乘以100就得到分数了，但是LR得到的概率值往往是不均匀的，比如讲概率值排序后，头部和尾部的概率值较少，大部分概率都集中在中间某个区域，这时这种方法就失效了。

​ 还有一种方法是将概率值进行排序，找出头部的20%概率值映射到80-100分，尾部的20%概率值映射到0-60分，中间的60%概率值映射到60-80分，那么如何将头部的20%概率映射到80-100分呢？可以将概率值作为X，分数score作为Y，计算一个线性回归模型 Y=w1X+w2 。这样，当就可以将概率值通过线性函数映射到分数了。

​ 注意，具体映射到哪个分数区间可以根据业务进行调整。

代码：

import numpy as np
from pandas import DataFrame


def score_model(result_train, bins_num=10):
    """
        根据输入的样本数据，进行打分模型的训练：
            输入数据格式：dict 组成list， dict = {score : ml_model_proba}
            输出数据格式：bin_dict =