本站原创文章，转载请说明来自《老饼讲解-机器学习》www.bbbdata.com
接上文《评分卡实例-逻辑回归建模》
前文提要与本文概述
上节我们通过建模，得到评分卡中的逻辑回归模型：
一般不用逻辑回归模型进行预测，而是制作一张评分卡，使用时通过评分卡，计算用户的评分
本文解析什么是评分卡，以及如何制作评分卡
本节讲解如何将逻辑回归模型制作成评分卡
什么是模型转评分
逻辑回归模型得到的客户逾期的概率，而评分卡最终输出的是客户评分
模型转评分就是指将逻辑回归模型转为评分输出
转换方法是把逻辑回归模型的线性部分抽出，并作一定的线性缩放，
转换公式如下：
-------- (1)式
其中offset和factor需要进一步根据业务进行设置
✍️如何确定factor和offset
factor和offset一般不直接设定，
而是通过设定init_socre，init_odds，delta_score，delta_rate四个参数来间接计算
四个参数的意义如下：
init_socre,init_odds: odds为init_odds时，评分为init_socre
delta_score,delta_rate: odds每降低 delta_rate倍时，分数提升delta_score分
备注： ,即odds是坏客户的概率与是好客户的概率的比值
根据业务需要设好四个参数后，再用以下公式确定 factor 和 offset :
评分卡表的制作
实际上，评分一般不用上述公式，而是制作为评分卡，通过查表的方式来计算评分
评分卡表的制作如下：
（1）式可以化为以下形式
把上式中的 看作基础分，看作特征得分
那么用户的总分就是每个特征的得分(FetureScore)，再加上基础分(BaseScore)
因此，把各个特征的各个分组的得分与基础分一起制成如下表格：
在计算用户得分时，
只需根据用户各个特征所属分组，在表中查得特征得分，再加上基础分就是用户的总评分
本节展示如何使用之前建好的模型结果制作评分卡
评分卡模型转评分-实例解说
在本实例中，评分卡模型转评分的过程如下：
一、参数设置
先设置 init_socre，init_odds，delta_score，delta_rate四个参数的值
一般设为：
它的意思是，当 odds(坏账概率:不坏账概率) = 50：1时，分数为600
当 odds每降低2倍(例如从50：1降为25：1)，分数提高20分
这套参数(600、50、20、2)老饼没有去细究，但国外文献、软件一般都是用这套参数
二、计算offset 、 factor
设置好上述参数后，使用公式计算offset 和 factor ：
三、计算基础分与特征得分
根据offset和factor就可以计算评分卡的基础得分与特征得分，具体如下：
1. 计算基础得分
由模型的阈值b = -2.5393，代入基础分计算公式，得到基础分为：
2. 计算特征得分
以rev为例，rev的系数为0.6668，当分组为0时，woe值为−1.5056，
可算得当特征rev为第0组时的得分为：
评分卡结果
将基础分与各个特征的得分汇总，就是最终的评分卡表了
本实例中，汇总后的评分卡表如下：
模型应用时，即对客户评分，如下使用：
(1) 先通过客户特征数据，判断客户各个特征属于哪一组
(2) 通过特征所在分组，查询特征评分表，获取各个特征的评分
(3) 计算总分：总分=各特征评分+基础分
备注：在将评分卡布署到生产时，往往会将所有分数都进行取整
好了，根据上述流程，就把评分卡表制作出来了，下张文章再讲解如何制作评分卡的阈值表~
End
