基于Xgboost的AI评分卡构建

爱挠静香的下巴

已于 2022-11-11 11:39:08 修改

阅读量2.7k

点赞数 7

分类专栏：风控学习笔记文章标签：人工智能 python

于 2022-07-25 09:24:46 首次发布

本文链接：https://blog.csdn.net/zzpl139/article/details/125968097

版权

风控学习笔记专栏收录该内容

3 篇文章 8 订阅

订阅专栏

说明

1.数据集来源为kaggle，因为是一个demo，且需要验证结果，所以仅取其训练集；

2.本项目主要为了说明构建一张简单的评分卡（A卡，也就是贷前）的过程，所以省略了EDA的部分，仅仅做一个简单的流程说明。

3.与之前的逻辑回归评分卡不同，本次主要尝试用xgboost做一张评分卡

4.代码和数据集见文末

导入相关包

import numpy as np 

from sklearn.model_selection import train_test_split

from sklearn.linear_model import LogisticRegression

import math

import pandas as pd 

import matplotlib.pyplot as plt

import seaborn as sns

%matplotlib inline

import os

from sklearn.model_selection import KFold

from sklearn.model_selection import GridSearchCV,StratifiedKFold

from sklearn.preprocessing import LabelEncoder,OneHotEncoder

from sklearn.model_selection import train_test_split

from matplotlib import pyplot as plt

from sklearn.metrics import confusion_matrix,roc_auc_score,roc_curve

import warnings

import plotly.express as px

import sklearn.metrics as metrics

import xgboost as xgb

warnings.filterwarnings('ignore')

plt.rcParams['font.family']='Microsoft YaHei' #显示中文标签

plt.style.use ('ggplot') #设定绘图风格

import seaborn as sns

pd.set_option('max_columns',1000)

pd.set_option('max_row',300)

pd.set_option('display.float_format', lambda x:' %.5f' % x)

数据集

导入数据


df_data = pd.read_csv('cs-training.csv',encoding='GB18030',index_col=0)

df_data.shape

缺失值处理

查看数据缺失值


null_val_sums = df_data.isnull().sum()

pd.DataFrame({"特征名称": null_val_sums.index, "缺失值数目": null_val_sums.values,

             "缺失值占比": null_val_sums.values / len(df_data) })

缺失数据

缺失值填补

填补方法很多，比如给一个极端值-9999，或者分箱单独分为一箱，平均值填充，中位数填充等等，此处我们用中位数做简单填补


for i in null_val_sums.index:

    df_data[i] = df_data[i].fillna(df_data[i].median())

null_val_sums = df_data.isnull().sum()

pd.DataFrame({"特征名称": null_val_sums.index, "缺失值数目": null_val_sums.values,

             "缺失值占比": null_val_sums.values / len(df_data) })

在这里插入图片描述

切分数据集

分为两部分，df_data1为建卡数据，参与模型的训练和测试，df_data2为验证数据，不参与任何过程。

feature_list = list(df_data)

del feature_list[0]

feature_list

X_train_T, X_test, y_train_T, y_test = train_test_split(df_data[feature_list], df_data['SeriousDlqin2yrs'], test_size=0.2, random_state=42,stratify=df_data['SeriousDlqin2yrs'])

X_train, X_valid, y_train, y_valid = train_test_split(X_train_T[feature_list], y_train_T, test_size=0.2, random_state=42,stratify=y_train_T)

print('坏样本占比为： ',y_train.mean())

模型建立

xgboost模型

简单点，不做参数调整了


eval_set = [(X_valid, y_valid)]

model_xgb = xgb.XGBClassifier(random_state=2022,n_estimators=800).fit(X_train,y_train,early_stopping_rounds=100, eval_metric="auc",eval_set=eval_set)

模型评价

模型评价标准

1.AUC：AUC为ROC曲线的面积，取值为[0，1]，越接近1证明模型预测效果越好。ROC曲线的纵坐标轴为TPR；横坐标轴为FPR。一般AUC>0.8证明效果还可以，可以考虑上线。

2.KS值：衡量的是好坏样本累计分布之间的差值。好坏样本累计差异越大，KS指标越大，那么模型的风险区分能力越强，当KS值>0.4，且训练集和测试集相差不超过5%，正负样本区分度还不错。


y_pred_train = model_xgb.predict_proba(X_train)[:,1]

fpr_xgb_train,tpr_xgb_train,_=metrics.roc_curve(y_train,y_pred_train)

train_ks = abs(fpr_xgb_train-tpr_xgb_train).max()

roc_auc_train = metrics.auc(fpr_xgb_train, tpr_xgb_train)

print('train_ks:',train_ks)

y_pred = model_xgb.predict_proba(X_test)[:,1]

fpr_xgb_evl,tpr_xgb_evl,_=metrics.roc_curve(y_test,y_pred)

evl_ks = abs(fpr_xgb_evl-tpr_xgb_evl).max()

roc_auc_evl = metrics.auc(fpr_xgb_evl, tpr_xgb_evl)

print('evl_ks:',evl_ks)

plt.title('Receiver Operating Characteristic')

plt.plot(fpr_xgb_train, tpr_xgb_train, 'b', label = 'Train_AUC = %0.2f' % roc_auc_train)

plt.plot(fpr_xgb_evl, tpr_xgb_evl, 'y', label = 'evl_AUC = %0.2f' % roc_auc_evl)

plt.legend(loc = 'lower right')

plt.plot([0, 1], [0, 1],'r--')

plt.xlim([0, 1])

plt.ylim([0, 1])

plt.ylabel('True Positive Rate')

plt.xlabel('False Positive Rate')

plt.show()

ks值和auc值

效果不错
先了解一下基于Logistic回归的评分卡转换，在进行xgboost构建评分卡的说明

基于Logistic回归的评分卡转换

评分卡转换原理

客户违约概率为p，正常概率为1-p，违约概率与正常概率的比值，称为Odds，即：
$Odds=\frac{p}{1-p} ----(1)$

逻辑回归公式为：
$p=\frac{1}{1+e^-\theta^Tx} ---- (2)$
同时取ln
$ln(\frac{p}{1-p})=\theta^Tx ---- (3)$
将公式（1）代入（3）,即：
$ln(Odds)=\theta^Tx ----(4)$
评分卡的背后逻辑是Odds的变动与评分变动的映射（把Odds映射为评分），即通过下述公式进行映射：
$S c o r e = A - B * l n （ O d d s ） - - - - （ 5 ）$
其中A与B是常数，B前面取负号的原因，是让违约概率越低，得分越高。因为实际业务里，分数也高风险越低，风控里默认高分高信用低风险
计算出A、B的方法如下：

设定基准分。基准分为 $A-B*\theta_0$ ，也就是 $p_0$ ，当odds无变动时， $\theta_0$ =1，A= $p_0$ ,此处我们设定基础分为650；
PDO（point of double），比率翻番时分数的变动值。此处设置为当odds翻倍时，分值减少50。
由上述可得：
$P_0=A-B*ln(\theta_0)$
根据PDO的定义，有下面等式：
$P_0-PDO=A-B*ln(2\theta_0)$
上述两个等式联立求解

可得：
$B=\frac{PDO}{ln2}\\ A=P_0+B*ln(\theta_0)$
评分卡里每一个变量x的每一个分箱有一个对应分值，即将每个特征的重要性权值与特征分箱的WOE编码进行结合计算，其计算方法如下：

$Score=A-B\{\theta_i\omega_{ij}\}$
其中， $\theta_i$ 表示第i个特征的重要性得分, $\omega_{ij}$ 表示第i个特征的第j个分箱的WOE编码的分数。

基于xgboost的评分卡转换

上述逻辑回归评分卡还有第二种得分映射方式，这种方式不考虑评分转换的真正含义，之间使用预测的概率去进行映射，使用换底公式，
$Score=A-B*ln（Odds）=A-B*log_{2}(Odds)*ln(2)$
当PDO取50时，上述公式又可以换成：
$Score=A-50*log_{2}(Odds)$
按照同样的逻辑，只要找出给出xgboost的odds，即负样本概率与正样本概率的比率，就可以做得分映射。即有：
$Score=A-50*log_{2}(\frac{1-p}{p})$
其中，p为xgboost预测的概率。
当然，与基于Logistic回归的评分卡不同，这样就没办法得到每个特征的具体得分，只能得到一个总分，如果对解释性要求不高，可以使用。

得分映射函数

我们以650分基础分值，50分作为之前说的pdo

def score(p):
    score = 650+50*(math.log2((1-p)/p))
    return score

对建卡数据进行得分映射


train_score = []
for i in range(len(y_pred_train)):
    s = score(list(y_pred_train)[i])
    train_score.append(s)
dfs = pd.DataFrame(columns = ["标签", "总分"])
dfs['标签'] = list(y_train)
dfs['总分'] = train_score
dfs

![2022-07-21T07:18:49.png][4]


print ('好样本得分区间',dfs[dfs['标签'] == 0][['总分']].min(),dfs[dfs['标签'] == 0][['总分']].max()) 
print ('坏样本得分区间',dfs[dfs['标签'] == 1][['总分']].min(),dfs[dfs['标签'] == 1][['总分']].max())

对验证数据进行得分映射


evl_score = []
for i in range(len(y_pred)):
    s = score(list(y_pred)[i])
    evl_score.append(s)
dfs2 = pd.DataFrame(columns = ["标签", "总分"])
dfs2['标签'] = list(y_test)
dfs2['总分'] = evl_score
dfs2

评估

首先查看建卡数据的得分分布


# 得分分布图

# 得分分布图
def plot_score_hist(df,target,score_col,plt_size=None,cutoff=None):
    """
    df:数据集
    target:目标变量的字段名
    score_col:最终得分的字段名
    plt_size:图纸尺寸
    cutoff :划分拒绝/通过的点
    
    return :好坏用户的得分分布图
    """    
    plt.figure(figsize=plt_size)
    x1 = df[df[target]==1][score_col]
    x2 = df[df[target]==0][score_col]
    sns.kdeplot(x1,shade=True,label='坏用户',color='hotpink')
    sns.kdeplot(x2,shade=True,label='好用户',color ='seagreen')
    plt.axvline(x=cutoff)
    plt.legend()
    return plt.show()
plot_score_hist(dfs,'标签','总分',plt_size=(9,9),cutoff=650)

![2022-07-21T07:20:53.png][5]

搜索CUTOFF

对于评分卡来说，需要有一条线或者说是一个得分点来对数据进行切分此出先将其称为Cutoff，高于这条线，接受，低于则拒绝

下面通过寻找KS值最大的点进行一个粗筛，实际业务还会根据通过率、坏样本累计占比等因素进行调整。


def search_cutoff(df,col_score,target):
    
    cutoff = list(range(600, 1000))
    refuse_acc=[]
    tpr_ls=[]
    fpr_ls=[]
    KS_ls=[]
    for i in cutoff:
        df['result'] = df.apply(lambda x:'拒绝' if x[col_score]<=i else '接受',axis=1)
        TP = df[(df['result']=='拒绝')&(df[target]==1)].shape[0] 
        FN = df[(df['result']=='拒绝')&(df[target]==0)].shape[0] 
        bad = df[df[target]==1].shape[0] 
        good = df[df[target]==0].shape[0] 
        refuse = df[df['result']=='拒绝'].shape[0] 
        passed = df[df['result']==10].shape[0] 
        tpr = round(TP/bad,3) 
        fpr = round(FN/good,3) 
        KS = abs(tpr-fpr)
        KS_ls.append(KS)
        
    maxid_KS = KS_ls.index(max(KS_ls))
    co4 = cutoff[maxid_KS]
    print('最大KS值:{}'.format(max(KS_ls)))
    print('KS最大的分数:{}'.format(co4))                     

    return 

search_cutoff(dfs,'总分','标签')

最大KS值:0.6160000000000001
KS最大的分数:830

# 设定cutoff点，衡量有效性
def rule_verify(df,col_score,target,cutoff):
    """
    df:数据集
    target:目标变量的字段名
    col_score:最终得分的字段名    
    cutoff :划分拒绝/通过的点
    
    return :混淆矩阵
    """
    df['result'] = df.apply(lambda x:'拒绝' if x[col_score]<=cutoff else '接受',axis=1)
    TP = df[(df['result']=='拒绝')&(df[target]==1)].shape[0] 
    FN = df[(df['result']=='拒绝')&(df[target]==0)].shape[0] 
    bad = df[df[target]==1].shape[0] 
    good = df[df[target]==0].shape[0] 
    refuse = df[df['result']=='拒绝'].shape[0] 
    passed = df[df['result']==10].shape[0] 
     
    acc = round(TP/refuse,3) 
    tpr = round(TP/bad,3) 
    fpr = round(FN/good,3) 
    pass_rate = round(refuse/df.shape[0],3) 
    matrix_df = pd.pivot_table(df,index='result',columns=target,aggfunc={col_score:pd.Series.count},values=col_score) 
    
    print('拒绝准确率:{}'.format(acc))
    print('查全率:{}'.format(tpr))
    print('误伤率:{}'.format(fpr))
    print('规则拒绝率:{}'.format(pass_rate))
    return matrix_df

rule_verify(dfs,'总分','标签',830)

拒绝准确率:0.245
查全率:0.79
误伤率:0.174
规则拒绝率:0.215

可以看出，这张卡要比之前的逻辑回归评分卡效果好不少，查全率提升的同事，误伤率也低了许多

再看下在验证数据上的结果


plot_score_hist(df_s2,'SeriousDlqin2yrs','总分',plt_size=(9,9),cutoff=-21)

可以看出，cutoff能够区分大部分样本
![2022-07-21T07:23:19.png][6]


rule_verify(dfs2,'总分','标签',830)

拒绝准确率:0.232
查全率:0.752
误伤率:0.178
规则拒绝率:0.216
可以看出，这张评分卡有78.4%的通过率，误伤率也相对之前的卡更低，查全率更高，总体要优于于我通过分箱、woe编码、iv筛选特征后，构建的逻辑回归评分卡，当然逻辑回归评分卡并非最优结果，还有提升和改进的空间，而且逻辑回归评分卡解释性也相对更强一些，更便于理解，两者各有优缺点。
本人也属于相关领域学习新手，欢迎指正。