本站原创文章，转载请说明来自《老饼讲解-机器学习》www.bbbdata.com
学习评分卡最好的方式是先通过一个实例来制作一个评分卡，再进行细节的了解
本文先介绍评分卡实例中的数据，并初步讲解评分卡的构建目标，以及构建的流程
通过本文，可以了解本实例中的数据含义，以及整个评分卡制作过程的大体流程
本节先对本文评分卡实例所使用的数据进行简单介绍
评分卡案例-数据介绍
bbbrisk包的bloan小贷数据共包含10个变量与客户好坏标签
数据包含的10变量和标签如下：
数据共2万条，示例如下：
评分卡建模目标
评分卡模型的目标是，依据客户特征数据(10个变量)，判断客户是否坏客户(is_bad).
根据客户的特征数据，对客户进行评分，客户质量越好，评分越高
评分卡最终需要输出两样最基本的东西：
1. 评分卡表
2. 评分阈值
评分表用于计算客户的评分，而评分阈值则用来判断客户是否能通过
例如，评分阈值为650，那么评分为649的用户就会被拒绝
评分表与评分方法
评分表的格式类似如下：
其中，各个字段的意义如下：
1. 特征名称：特征名称(变量名称)是用原始数据生成的建模变量的名称
2. 组别：组别是变量根据分组逻辑来确定所在的分组
所有的建模变量在建模前都进行分组，也称为变量离散化
3. 评分：评分则是变量属于对应组别时的得分
利用评分表进行评分的方法如下：
来了一个新客户，先根据客户的数据，判断客户在各个特征上属于哪一组
然后在评分卡表中找到对应的分数，对所有特征得分求和，并加上基本分，就是客户的总评分
假设客户在rev、due30、due90、city上的组别为【0、3、1、1】
那么客户在rev、due30、due90、city上的得分为【28、-30、-20、5】
则客户的总得分为28-30-20+5+780=763
本节讲解评分卡的整体建模思路与建模步骤
评分卡的建模思路
在建模之前，先梳理评分卡建模大概的思路与流程
具体如下：
1. 先在原始数据中，衍生并选择出建模的变量
2. 然后用建模变量与好坏客户标签建立逻辑回归模型
这样就能通过建模变量预测样本是坏客户的概率
3. 最后，把逻辑回归模型的线性部分抽取出来，生成评分卡
最后的最后，还需要分析当前业务应以哪个分数作为拒绝客户的临界值，以临界值作为评分阈值
评分卡的建模流程
评分卡的整个建模过程共4步，如下：
1. 建模数据准备
数据准备主要是建模之前，对原始数据进行分箱与变量分析
筛选出与客户质量相关的变量，作为建模的输入特征
2. 建模
(1)数据预处理：归一化，并预留测试数据
(2)用逐步回归选出尽量少的特征(同时保持建模效果)
(3)训练逻辑回归模型
(4)检验AUC是否达标，并检查系数是否都为正
3. 制作评分卡
制作评分卡也俗称“模型转评分”
将3中得到的逻辑回归模型，制作成评分卡表
4. 确定评分阈值
确定生产上判定为坏客户的分数阈值
当分数低于该阈值时，就拒绝客户
下篇文章开始，我们就此问题，讲述如何建立评分卡模型吧~！
End
