评分卡-分数转换与推导（详细推导与应用）

老饼讲解机器学习

已于 2024-06-08 07:02:25 修改

阅读量7.3k

点赞数 1

分类专栏： # 评分卡文章标签：机器学习逻辑回归

于 2022-04-15 09:20:14 首次发布

本文链接：https://blog.csdn.net/ywj_1991/article/details/124187040

版权

评分卡专栏收录该内容

3 篇文章

订阅专栏

本文详细介绍了评分卡的分数转换方法，包括线性部分转换、offset和factor的计算公式，以及如何根据odds设置Base和factor。通过实例展示了评分卡的建模流程和代码实现，强调了评分卡分数转换优于概率转换的优势。同时，提供了常用参数设置建议，并解释了在生产环境中如何应用评分卡进行特征得分累计。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

《老饼讲解机器学习》https://www.bbbdata.com/text/67

一、评分卡的分数转换

(一)评分卡分数转换方式

(二) offset 和 factor计算公式：

(三)实际计算过程

二、公式推导

(一) 线性部分的含义

(二) 通过设置odds确定Base和factor

本文讲解评分卡的分数转换公式，和转换公式的原理推导。

具体实操例子和代码请参考：《评分卡实例：完整建模流程》《评分卡实例：完整建模代码》

一、评分卡的分数转换

(一)评分卡分数转换方式

在建模完成后，需要把模型转换成分数输出，评分卡不使用概率转换分数，而是用线性部分转换成分数
即转成以下格式

pass: 这样做的好处是，每一个特征x的分数和就是总分，而如果用概率转分，则单个特征增加s分，总分并不增加s分。

(二) offset 和 factor计算公式：

(1) factor和 offset计算公式

(2)Score计算公式：

其中B,d,k,S代表：
B,d: odds为d时，评分为B
S,k: odds每降低 k倍时，分数提升S分
odds: $\dfrac{P}{1-P}$ ,是坏客户的概率与好客户概率的比。
备注：如果 x 转换woe，则 WX+b 改为 W*woe+b

(三)实际计算过程

1.计算factor与offset

$\text{factor} =-\dfrac{S}{\ln(k)}$
$\text{offset} = B - \text{factor}*\ln(d)$

2.计算BaseScore和FetureScore

$\text{BaseScore} = B-\text{factor}*\ln(d)+\text{factor}*b$

$\text{FetureScore} =\text{factor}*(W*woe)$

总得分即为，BaseScore加上每个特征的得分FetureScore

二、公式推导

(一) 线性部分的含义

由逻辑回归模型表达式：

$P = \displaystyle \dfrac{1}{1+e^{-(w_1x_1+w_2x_2+....w_kx_k+b)}}$

可知线性部分

$w_1x_1+w_2x_2+...+w_kx_k+bw = \ln\left (\dfrac{P}{1-P} \right )$

一般将 $\dfrac{P}{1-P}$ 记为odds。即有：

$\text{Score} =\text{offset} + \text{factor}*(WX+b) = \text{offset} + \text{factor}*\ln(\text{odds})$