作者:影子的影子的家 | 来源:互联网 | 2023-09-03 10:57
逻辑回归已经在各大银行和公司都实际运用于业务,但是很多文章都讲得一知半解,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,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:学习资料
将③代入①得:
即
假设θ0=0.001时,P0=600,PDO=40。
则
B = 40/np.log(2)=57.71
A=600+57.71*np.log(1/1000)=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,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,Wij为第i个特征第j个分箱的WOE值,是0、1逻辑变量,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:
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,得到客户的最终得分有两个计算公式:
或
如果已经通过逻辑回归的训练得到客户的违约概率,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:
def Prob2Score(prob, A, PDO):y = np.log(prob/(1-prob))return int(A-PDO/np.log(2)*(y))
A, PDO = 201.35,40
score['prob2score'] = score['predict'].apply(lambda x: Prob2Score(x, A, PDO))
plt.hist(X_f_1['score'],bins=100)
plt.show()
其中Prob2Score是根据第一个公式写的函数,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:
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,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,可得到标准评分卡。
def var_card(cut,woe,coef,B):import warningswarnings.filterwarnings('ignore')w1 = pd.DataFrame({'cut':cut,'woe':woe}) w2 = w1.drop_duplicates(subset=['cut','woe'],keep='first')w2['name'] = cut.namew2['coef'] = coef[woe.name][0]w2['score'] = round(-w2['woe']*w2['coef']*B,0).astype('int64')w3 = w2[['name','cut','woe','coef','score']]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。