数据分析之信用风险评分卡建立

项目需求：现某金融公司想要通过建立信用风险评分卡对客户进行判断，是否发放贷款

项目描述：数据来源 kaggle 数据量 4 万条，原始字段数 33 个

项目目的： 使用机器学习构建信用卡评分模型，对新样本做出预测
环境和工具： Rstudio， prettyR， smbinning
流程：
1.数据探索：完全缺失字段，以及二分类变量正类缺失的字段进行删除，对异常值采取盖帽
法进行替换
2 对变量进行分箱操作。使用 smbinning 包中的函数，通过决策树进行最优分箱，得到每
个变量的分箱结果，以及对应的 IV 值和 WOE 值。
3 通过 IV 值大于 0.02 的部分，筛选变量（性别，年龄，婚姻，区编号，是否有家庭电话，
工作年限，收入共 7 个变量），并通过 smbinning.gen 和 smbinning.factor.gen 函数生成
新的变量并生成新的数据表。变量值为分箱后对应的 WOE 值，数据模型进行建模
4 采用 Logistic(逻辑回归)进行学习建模，对输出结果通过 smbinning.scaling 进行打分，
生成评分卡
5．通过评分卡对原数据客户进行打分， 基本判断，好坏客户的分数取值分布情况。其次通
过 smbinning.metrics()输出结果， 得到评分卡的分数最优阈值为 546， AUC 值为 0.66，
并不是很好，准确率（precision）达 87.6%
6 最后通过评分卡，使用 excel 表格，运用 vlookup 函数，对新的客户进行匹配打分
模型使用 Rstudiuo 进行搭建。使用包： base,subning,prettyR, 使用函数： glm subning
subning.factor subning.gen subning.factor.gen sunbning..plot
开始：

首先导入需要使用得包：

1 数据工程：
数据探索阶段 ，发现数据中有部门字段内容全部缺失，以及部分二分类变量只有 1 个有值，
故这两种情况无法参加建模，将其找出删除。 同时识别出哪些字段是因子型，哪些是数值型，

方便后面分箱使用不同得函数，其中数值型字段用：smbinning 因子型使用：smbinning.factor

异常值处理 ： 通过箱线图判断是否存在异常值， 使用盖帽法，用 99 分位点值代替极大异常

值，有 1 分位点值代替极小异常值的方法

由于 smbining 函数中得打分是 1 是信用高得客户，故这里将目标变量得 0 和 1 值互换

变量分箱 ：使用 smbinning 函数，运用回归决策树最优分箱，从而使得类之间的相异性尽
可能大（由于变量较多，这里不一一列举，拿两个字段举例），其中连续变量使用得函数为：
smbinning 因子变量： smbinning.factor
连续型变量 举例： 首先用箱图查看数据分布情况，若分布区别不明显，可以使用 T 检验（数

值变量对分类变量得影响），有显著性再进行分箱，否则无意义

年龄属性得分布情况如上图，通过 T 检验， P<0.05,表明原假设被拒绝，认为属性对目标变
量有显著影响，可以进行分箱
Smbnning 对年龄得分箱结果，是通过回归树进行最有分箱，由树图可知：划分点为： 19，
22， 32， 37， 46， 59 六个点，分为 7 个区间属性，同时获取响应区间 WOE 值以及总得 IV

值。

年龄得 IV 值为 0.2.WOE 分布如下图，可加分箱分布有明显趋势，说明分箱结果不错，可以

加入模型。

用年龄字段进行分箱得完整代码如下：

对其他得数值变量，通过同样得方式进行分箱操作，并获取 IV 值。
因子型变量分箱
分类型变量 以性别举例说明：通过前期数据探索，发现性别变量有部分值没有指明性别，这
里用众数填充， ：
对于分类变量采用得是卡方检验，来检验分类是否对目标变量有显著性得影响，这里 P 值

很小，表明拒绝原假设，即性别对信用度有显著影响，可以进行分箱

分箱结果得分布如下：可以看出，女性相对于男性更容易违约

分类变量分箱也采用的是 smbinning 包，不过 smbinning 包中就是用原分类值进行属性
划分，未对划分属性处理，分类变量用的函数是 smbinning.factor()，最后得到 SEX 的 IV

值为 0.0274。具体执行代码如下：

再举一个电话区号得例子，可能很多人直接做数值型变量处理了。通过数据探索发现，大部
分得申请者都是来自于四个地方，其他得地方人很少很分散，这里有明显得地域偏向，所有
我将其处理为类别变量，除了 3 个申请人较多得地方分别为一类，其他得地区划分为一类，
共四类进行处理；

通过 WOE 分布还是比较好得分箱， IV 值 0.0389

具体代码如下：

接下来所有变量进行分箱之后，得到所有得 IV 值，一般认为 IV 大于 0.02，对构建评分卡
有一定得价值，所以这里以 0.02 为界限进行变量筛选。最终选择性别，年龄，婚姻，区编
号，是否有家庭电话，工作年限，收入共 7 个变量进行建模。

一下是 IV 值及分布情况：

对于分箱后的数据，使用 smbinning 得函数，生成分箱后的数据，生成新得数据集，通过

logistic （逻辑回归），建立评分卡模型。其中声中分箱结果数据使用得函数，数值型分箱
变量用函数 smbinning.gen()，因子型变量用函数 smbinning.factor.gen()。通过逻辑回归

结果可以看出，分箱后得变量都较为显著

有了模型给出得预测结果，就可以对其进行打分了。使用 smbinning.scaling 函数，通过调
节 pdo， score， odds 三个参数，是的评分卡得分值在合理得范围内。这里评分卡区间为

（345-798）。并将评分卡保存到文件。代码如下：

评分卡得最终结果展示如下：

评分卡建好，这里是使用 smbinning.scoring.gen 对原数据集数据进行一个打分。并查看
好坏客户的得分分布情况，
其次通过 smbining.metrics()函数，从输出报告可以看出，最优阈值为： 546， AUC 值为

0.66，并不是很好，准确率（precision）达 87.6%，结果及代码如下图

预测 ：
针对新样本，我选择用 Excel 工具获得信用评分，使用 VLOOKUP 函数可以很方便地得到
想要的数据，评分展示如下，选择 cutoff 值为 546，这里认为（526,546）的客户为关注客
户，信用情况中等， 546 分以上的客户信用情况良好， 526 分以下的客户信用情况堪忧。 其

中符号： ✔表示信用良好， ！ 表示信用中等， × 表示信用较差

附上数据源:kaggle:https://www.kaggle.com/yuzijuan/credit-card-scoring/data