如何建立信用评分卡模型（一）——概述

建模数据集

现在，假定各位看官已经了解了逻辑回归。

那么我们来思考一个问题：在开始建模之前，我们第一步需要做什么？

当然是把数据搞到手。至于这个数据是谁提供过来的、怎么提供的，里面的坑只有做的人才能体会。

第二步就是明确模型的目标变量，即模型要预测什么。逻辑回归模型属于分类模型，用来预测样本属于什么类型。在金融领域，我们一般使用到的都是二分类的逻辑回归，它的目标变量是类别标签，即“0”和“1”。根据场景不同，它可以表示”是/否“、”好/坏“或”有/无“。

以A卡为例，它预测的是用户在申请贷款通过以后发生不良行为的概率，因此目标变量就是”贷款正常/出现不良“。我们一般把目标变量命名为“bad”，如果一条样本的bad等于1，就表示这条样本出现了不良行为，属于“坏”样本；bad等于0，表示这是一条“好”样本。

不良行为的标准是什么呢？这个我们留着以后再聊。

在确定了目标变量以后，我们还需要选择自变量。通常情况下，原始数据集中的变量几乎都不能直接入模，需要进行数据清洗。可以参考笔者的这篇文章：

特征工程

完成数据清洗后，我们是否就可以开始模型训练啦？并不是。在训练模型之前非常重要的一步叫做特征工程。特征工程是对原始数据进行进一步的处理、运算并生成新的变量，目的是帮助模型更好地识别数据中包含的统计规律。

另外，特征工程中还有一步非常重要，即变量分箱（Binning）。变量分箱是对连续变量进行离散化，即将连续变量划分为若干个区间，每个区间赋予相同的值。这句话可以拆解为三个问题。

首先，为什么要离散化？离散化最重要的作用是增加模型的鲁棒性，提高模型的泛化能力。连续型变量往往内部存在异常值，通过变量分箱可以消除异常值的干扰。而且变量分箱可以把缺失值划为单独的类进行处理，降低了缺失值对模型的影响。

其次，若干个区间该怎么划分？业界常用的方法是卡方分箱和决策树分箱。关于两者的原理，这里不多做解释，网上有许多成熟的代码可以直接引用。多说一句，作为数据从业人员，最重要的能力就是信息获取，不然会累死的。

最后，分箱后每个区间该赋什么值？在这里需要掌握两个概念，WOE值和IV值。受篇幅所限，这两者以后我们再详细解释。

模型训练

训练模型时，我们需要将输入的数据集划分为训练集和测试集两部分。它们分别占原数据集的70%或30%（按60%、40%分也可以）。其中，训练集用于训练模型，得出模型参数；测试集用于检验模型的拟合能力，防止过拟合或欠拟合。

在算法选择方面，我们通常使用二分类逻辑回归。逻辑回归的好处是可以输出概率值，这个概率值可以通过一定的运算转化为评分卡分数。

而且逻辑回归的解释性要好于GBDT等集成算法，它可以直观地看到每一个变量对预测结果的影响大小。在模型实现方面，我们可以直接使用Python第三方库sklearn或statsmodel中的LogisticRegression方法，具体的代码可以上网查询。在这里推荐刘建平老师的技术博客：

将数据输入模型，我们可以得到初步的模型参数。关于模型的参数调整，我们后续再做深入讨论。模型的结果差不多长这样：

接下来算分数的时候会用到estimate这项，即各变量的系数。

模型评价

在计算分数之前，还有一个重要步骤要做。我们需要对上述模型的效果进行评价，确定它是否可以有效地对样本进行分类。常用的指标有KS、AUC值和Gini系数等。这三个指标具体是什么含义、怎么算出来的，我们以后详细讨论。

以KS值为例，在申请评分卡模型中，通常情况下KS一般取值范围在25-45之间。如果低于25，说明模型的区分度太低，分类不准确；如果高于45，则模型可能存在过拟合，对新样本的预测能力不一定会好。

分数校准

模型计算出的结果是概率值，即该借款人后续出现坏账的概率，取值范围是0到1。为了构建评分卡，我们需要对概率进行放大，将概率转化为分数。单个样本总得分的计算方法如下：

Offset = 基准分 - Factor * ln(Odds)

Factor = Pdo / ln(2)

校准分数 = Offset + Factor * ln((1-prob) / prob)

上述过程计算的是单个样本的总分。评分卡要求我们提供每一个变量当中每一个分组对应的子评分。子评分的计算方法如下：

子评分 = Offset / N - Factor * (Intercept / N + WOE * 变量系数）

通过推导不难发现，子分数的计算和总分的计算是等价的。暂且先不用纠结这些公式都是什么含义，只需要先知道评分卡的分数是这么算出来的即可。通过上述公式，我们可以把0-1的概率值转化为任意取值范围，例如0-100分、350-950分等等。业务人员使用这个分数即可判断借款人的风险水平。

至此，我们就完成了一个申请评分卡的模型开发。在开发完成后，往往还需要配合工程人员完成上线部署。作为建模人员，需要提供的是入模变量的来源、计算逻辑和模型输出的评分卡。模型上线以后并不是就万事大吉了，还需要对上线后的模型进行观察和验证，并根据业务的发展对模型进行调整甚至重新训练。

写在最后

本文其实并没有讲细节的内容，只是从总体上概括了评分卡的建模思路和流程。读者朋友们可以把本文当做一篇引言，用来形成大体的思路。事实上，评分卡模型的建模涉及很多需要展开讲述的内容，如果通过一篇文章讲完的话，文章的结构会比较臃肿，很容易使读者云里雾里、首尾不能相顾。笔者后续会通过一系列文章详细阐述本文未尽之事宜。最后，感谢您读完本篇，有任何相关问题欢迎私信交流。