让你彻底理解信用评分卡原理（Python实现评分卡代码）

逻辑回归已经在各大银行和公司都实际运用于业务&＃xff0c;但是很多文章都讲得一知半解&＃xff0c;所以本文力求阐述出清晰的评分卡原理文章。之前已经讲解了逻辑回归和sigmod函数的由来、逻辑回归(logistics regression)原理-让你彻底读懂逻辑回归&＃xff0c;本文致力于让大家彻底弄懂评分卡的原理和实现。

在公众号「python风控模型」里回复关键字&＃xff1a;学习资料

将③代入①得&＃xff1a;
  

  
即

假设θ0&＃61;0.001时&＃xff0c;P0&＃61;600&＃xff0c;PDO&＃61;40。
  
则

B &＃61; 40/np.log(2)&＃61;57.71

A&＃61;600&＃43;57.71*np.log(1/1000)&＃61;201.35

即
  

  

其中x1、x2、xn等是出现在最终模型的入模变量。由于一些入模变量进行了WOE编码&＃xff0c;可以将评分写成对应woe的形式。
  

其中θi为第i个特征的系数&＃xff0c;Wij为第i个特征第j个分箱的WOE值&＃xff0c;是0、1逻辑变量&＃xff0c;当客户对应特征的取值落在该分箱时为1否则为0。所以最终的评分卡形式如下&＃xff1a;
  

二、评分卡Python实现

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-HjTkVen5-1637059935547)(https://img.it610.com/image/info8/971f4b61d6af452e99a8ee9289ad2512.jpg)]

从评分卡原理的分析中知&＃xff0c;得到客户的最终得分有两个计算公式&＃xff1a;
  

或
  

如果已经通过逻辑回归的训练得到客户的违约概率&＃xff0c;且只想得到客户的最终得分。可把违约概率P代入第一个式子即可以得到客户得分。

1 根据客户违约概率计算客户得分

具体计算代码如下&＃xff1a;

def Prob2Score(prob, A, PDO):y &＃61; np.log(prob/(1-prob))return int(A-PDO/np.log(2)*(y))
A, PDO &＃61; 201.35,40
score[&＃39;prob2score&＃39;] &＃61; score[&＃39;predict&＃39;].apply(lambda x: Prob2Score(x, A, PDO))
plt.hist(X_f_1[&＃39;score&＃39;],bins&＃61;100)
plt.show()

其中Prob2Score是根据第一个公式写的函数&＃xff0c;只要输入违约概率prob、A和PDO的值即可计算客户得分,得到所有样本的得分分布如下&＃xff1a;
  

2 根据分箱WOE和特征系数计算客户得分

计算评分卡时先不考虑常值分A-Bθ0的值&＃xff0c;只把每个特征对应分箱的分值算出。根据最终评分卡形式编写Python脚本如下&＃xff0c;可得到标准评分卡。

def var_card(cut,woe,coef,B):import warningswarnings.filterwarnings(&＃39;ignore&＃39;)w1 &＃61; pd.DataFrame({&＃39;cut&＃39;:cut,&＃39;woe&＃39;:woe}) w2 &＃61; w1.drop_duplicates(subset&＃61;[&＃39;cut&＃39;,&＃39;woe&＃39;],keep&＃61;&＃39;first&＃39;)w2[&＃39;name&＃39;] &＃61; cut.namew2[&＃39;coef&＃39;] &＃61; coef[woe.name][0]w2[&＃39;score&＃39;] &＃61; round(-w2[&＃39;woe&＃39;]*w2[&＃39;coef&＃39;]*B,0).astype(&＃39;int64&＃39;)w3 &＃61; w2[[&＃39;name&＃39;,&＃39;cut&＃39;,&＃39;woe&＃39;,&＃39;coef&＃39;,&＃39;score&＃39;]]return w3
​
​
def score_card(card_name,data,B,coef): score_cards &＃61; pd.DataFrame({&＃39;name&＃39;:[0],&＃39;cut&＃39;:[0],&＃39;woe&＃39;:[0],&＃39;coef&＃39;:[0]})data &＃61; datafor i in range(card_name.shape[0]):cut &＃61; data[card_name.iloc[i,0]]woe &＃61; data[card_name.iloc[i,1]]coef &＃61; coefcard &＃61; var_card(cut,woe,coef,B)if card.shape[0]<20:score_cards &＃61; score_cards.append(card) score_cards_final &＃61; score_cards[[&＃39;name&＃39;,&＃39;cut&＃39;,&＃39;woe&＃39;,&＃39;coef&＃39;,&＃39;score&＃39;]]score_cards_final &＃61; score_cards_final.iloc[1:,:]return score_cards_final
​
​
card_name &＃61; pd.DataFrame({&＃39;cut&＃39;:columns_final_cut,&＃39;woe&＃39;:columns_final_woe})
data &＃61; data
A, PDO, B &＃61; 201.35,40,40/np.log(2)
coef &＃61; coef_1
score_card_1 &＃61; score_card(card_name,data,B,coef)

其中card_name中存储每个特征对应分箱的woe值&＃xff0c;data表示原始数据&＃xff0c;B是公式中的常数&＃xff0c;coef表示特征对应系数。该计算公式只是我为了熟悉原始计算公式编写&＃xff0c;后续会进行代码优化&＃xff0c;请悉知&＃xff0c;得到结果如下&＃xff1a;

如果想根据评分卡对应分段的值得到最终得分&＃xff0c;可在Python中输入如下代码&＃xff1a;

def all_score(score_card,data,A,B,θ0): var_name &＃61; score_card[[&＃39;name&＃39;]].drop_duplicates(subset&＃61;[&＃39;name&＃39;],keep&＃61;&＃39;first&＃39;)names &＃61; [&＃39;a&＃39;]for i in range(var_name.shape[0]):sub &＃61; score_card[score_card[&＃39;name&＃39;]&＃61;&＃61;var_name.iloc[i,0]]sub_1 &＃61; sub[[&＃39;cut&＃39;,&＃39;score&＃39;]]sub_1.rename(columns&＃61;{&＃39;cut&＃39;:sub[&＃39;name&＃39;][0], &＃39;score&＃39;:sub[&＃39;name&＃39;][0]&＃43;&＃39;_score&＃39;}, inplace &＃61; True)data &＃61; data.merge(sub_1, on&＃61;sub[&＃39;name&＃39;][0],how&＃61;&＃39;left&＃39;)names.append(sub_1.columns[1])names &＃61; names[1:]score_model &＃61; data[names]score_model[&＃39;woe_score&＃39;] &＃61; score_model.apply(lambda x:x.sum(), axis &＃61; 1)data[&＃39;TOTALSCORE&＃39;] &＃61; score_model[&＃39;woe_score&＃39;]&＃43;A-B*θ0return data
​
score_1 &＃61; all_score(score_card_1,data,201.35,40/np.log(2),θ0&＃61;0.001)

其中score_card_1表示标准评分卡&＃xff0c;data表示原始数据&＃xff0c;A、B、θ0详见上文中评分卡原理。得到结果如下&＃xff1a;
  

  
让你彻底理解信用评分卡原理&＃xff08;Python实现评分卡代码&＃xff09;就为大家介绍到这里了&＃xff0c;
欢迎各位同学报名,学习更多相关知识。