1评分卡模型相关~知识点已更完~代码待更

训练阶段：对数据的训练，创建一个预测模型并对其进行微调。
模型生成：预测模型可以从这些数据背后找到答案，帮我们解决问题
预测阶段：通过测试集完成模型评估，从而了解模型在测试集中的有效性。

收集数据->准备数据：数据预处理->选择模型->训练->评估->超参数调整->预测

基础强化

最小二乘估计是最小化残差平方和（RSS）

lasso加入了L1惩罚项进行约束

岭回归加入了L2惩罚项

RFM指标

Recency：最近一次消费时间间隔
Frequency：消费频率，一段时间内的消费次数
Monetary：消费金额，一段时间内的消费金额
每个指标越大，用户价值越高

LDA线性判别分析

Linear Discriminant Analysis
目的是进行分类，思想是最大化类间方差与最小化类间方差，减少分类内部之间的差异，增加不同分类之间的差异。
很明显LD1是。

评分卡模型

常用金融风控手段之一。
风控：风险控制，采取各种措施和方法，减少风险发生的可能性、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 A卡
贷中：行为评分卡 Behavior score card B卡
贷后：催收评分卡 Collection score card C卡

用户评分 = 基准分+年龄评分+性别评分+婚姻状况评分+学历评分+月收入评分

1. 数据获取
2. EDA 获取样本整体情况，进行直方图、箱盒图可视化
3. 数据预处理，包括数据清洗、缺失值处理、异常值处理
4. 变量筛选，筛选出对违约状态影响最显著的指标，主要有单变量特征和基于机器学习的方法
5. 模型开发，包括变量分段、变量WOE变换和逻辑回归估计三部分
6. 模型评估，评估模型的区分能力、预测能力、稳定性，并生成模型评估报告
7. 生成评分卡（信用评分），根据逻辑回归的系数和WOE等确定信用评分方法，将Logistic模型转换为标准评分的形式
8. 建立评分系统（布置上线），根据生成的评分卡，建立自动信用评分系统
   

WOE编码

Weight of Evidence 证据权重
是自变量的一种编码，常用于特征变换用来衡量自变量与因变量的相关性

B代表风险客户
G代表正常客户
对于某一变量某一分组的WOE，衡量了这组里面的好坏客户的占比与整体样本占比的差异。
差异越大，对风险区分越明显。

计算
对于连续型变量，分成N个bins
对于分类型变量保持类别group不变
计算每个bin or group中event和non-event的百分比

作用
可以将连续性变量转化为woe的分类变量
可以对相似的bin或group进行合并
注意
每个bin或者group不能过少，至少有5%的记录
不能过多，不稳定
bin或者group中全为0或者1的特例，用修正的woe

woe好处：
简化模型，使得模型变稳定，降低了过拟合的

IV information value

woe只考虑了风险区分的能力，没有考虑能分区的用户有多少。
IV衡量一个变量的风险区分能力，即衡量各变量对y的预测能力，用于筛选变量。
可以看作是WOE的加权和。

可参考：

步骤

1. 对于连续性变量，进行分箱binning（等距、等频、自定义间隔），对于离散型变量，分箱太多，则进行分箱合并。

2. 统计每个分箱里的好人数和坏人数

3. 分别除总的好人数和坏人数，得到分箱内的边际好人占比和边际坏人比

4. 计算每个分箱的WOE

5. 检查每个分箱（除null）里WOE值是否满足单调性，若不满足，返回第一步

6. 计算每个分箱内的IV，最终求和，得到最终的IV

Odds Ratio（OR)

Odds 胜率（优势），即事件发生与不发生的比例：odds=p / （1-p)
假设事件为客户逾期，Y=1，那么Age=Age1时的ODDS：

Odds Ratio为两个Odds的比值，比如Age1和Age2之间的Odds Ration(OR)

woe会呈现单调性。

缺失值处理

直接删除含有缺失值的样本
舍弃字段
采用简单规则进行补全：删除 高频 均值
预测进行补全：根据样本之间的相似性、相关关系填补缺失值

评估指标KS

Kolmogorov-Smirnov
常用于评估模型区分度，区分度越大，风险排序能力越强

ks曲线：计算每个score分箱区间累计坏帐户占比和累计好用户占比差的绝对值
ks值：在这些绝对值中取最大值，是衡量好坏客户分数距离的上限值
ks含义：如果排除掉一定比例的坏用户，会有多少比例的好用户被误杀掉

评估指标PSI

群体稳定性指标：Population Stability Index
反映了验证样本在各分数段的分布与建模样本分布的稳定性
稳定性是有参照的，需要两个分布，即实际分布与预期分布
PSI = SUM( (实际占比 - 预期占比）* ln(实际占比 / 预期占比) )
训练样本：预期分布
验证样本：实际分布