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和如何制作评分卡
本节讲解如何将逻辑回归模型制作成评分卡，本节只讲解流程，具体操作示例见下节
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
✍️factor和offset如何计算
factor和offset一般不直接设定，
一般通过设定init_socre，init_odds，delta_score，delta_rate四个参数间接计算得到，
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
odds: ,它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，根据以下公式确定 factor 和 offset :
评分卡表的制作
实际上，用户的评分并非用公式计算获得，而是事先制作好评分卡，用户的评分通过查表计算得到
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-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：
init_socre = 600
init_odds = 50
delta_score = 20
delta_rate = 2
意思是，
当 odds(坏账概率:不坏账概率) = 50：1时，分数为600
odds每降低2倍(例如从50：1降为25：1)，分数提高20分
可以看到，评分600时是非常差的，它只是一个基础分，而随着分数每提高20分，就代表坏账概率翻倍下降
这套(600、50、20、2)参数老饼没有严谨去考究，但综合来说，国外文献、软件都是用这套参数，
而国内的企业使用这套参数则是因为最开始评分卡技术是由海归带回来，所以一些企业往往都沿用了这套数值
评分卡模型转评分-计算offset 、 factor
设置好上述参数后，使用公式计算offset 和 factor ：
评分卡模型转评分-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
计算基础得分
由模型的阈值b = -2.5950，代入基础分计算公式，得到
计算特征得分
以rev_grp为例，rev_grp的系数为0.6851，当分组为0时，woe值为-1.4952，
可算得当特征rev_grp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：（1）生产上往往将所有分数都取整。
(2）实际交付生产时还需要把特征分组逻辑一起交付
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
