4、信用评分卡模型：评分卡开发流程

信用评分卡，说白了就是给代理商打个分。

分数越高，信用越好，风险越低。这个分数怎么来的？不是拍脑袋，而是靠数据说话。今天我就带你走一遍评分卡开发的完整流程——数据准备、特征工程、模型训练、评分映射。我会结合逻辑回归和决策树这两种经典算法，讲讲它们在实际项目中的用法。

4.1 数据准备：地基不牢，房子会塌

数据准备是评分卡开发的第一步，也是最容易被忽视的一步。我见过太多项目，模型跑得挺漂亮，结果上线后一塌糊涂——原因就是数据质量不行。

数据准备主要做三件事：

  • 数据收集：代理商的基本信息、交易记录、历史违约情况、工商信息等。来源可以是内部系统，也可以是外部征信机构。
  • 数据清洗：处理缺失值、异常值、重复数据。比如某个代理商的年龄填了200岁，这明显是录入错误，得处理掉。
  • 数据划分：按时间或随机方式，把数据分成训练集、验证集和测试集。一般比例是6:2:2。
我的经验：数据清洗时，别一股脑删掉所有缺失值。有时候缺失本身就是一个信号——比如某个代理商故意不填某些信息，可能就有问题。我习惯先分析缺失模式，再决定怎么处理。

4.2 特征工程：好特征胜过好模型

特征工程，就是把原始数据变成模型能理解的语言。这一步做得好，模型效果能提升一大截。

常见的特征工程操作包括：

  • 特征衍生：从原始字段中创造新特征。比如从“注册时间”和“当前时间”算出“合作时长”。
  • 特征分箱：把连续变量离散化。比如年龄分成“20-30岁”、“30-40岁”等区间。分箱后，模型更稳定，也更容易解释。
  • 特征编码：把类别变量转成数值。比如“行业类型”有10个类别，可以用独热编码或WOE编码。
  • 特征选择：去掉冗余或无关的特征。特征太多，模型容易过拟合；特征太少，模型欠拟合。我一般用IV值（信息量）来筛选，IV值大于0.02的特征才保留。
避坑指南：我曾经在某个项目中，一股脑衍生了几百个特征，结果模型训练时间暴涨，效果反而下降了。后来我学乖了——特征不是越多越好，关键是质量。先做业务理解，再动手做特征工程。

4.3 模型训练：逻辑回归 vs 决策树

模型训练是评分卡的核心环节。这里我重点讲两种算法：逻辑回归和决策树。它们各有千秋，适合不同的场景。

4.3.1 逻辑回归：简单、稳定、可解释

逻辑回归是评分卡领域的老牌选手。它的输出是一个概率值（0到1之间），然后通过评分映射转成整数分数。

逻辑回归的优点很明显：

  • 可解释性强：每个特征的权重一目了然。比如“合作时长”的系数是0.3，说明合作越久，信用越好。
  • 训练速度快：数据量再大，也能快速收敛。
  • 稳定性好：不容易过拟合，适合业务场景频繁变化的情况。

缺点呢？它假设特征之间是线性关系，但现实中很多关系是非线性的。比如“交易金额”和“违约概率”可能不是简单的正比关系——金额太低或太高，风险都可能上升。

下面是一个简单的逻辑回归代码示例：

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_auc_score

# 假设 X 是特征矩阵，y 是标签（0=正常，1=违约）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练逻辑回归模型
model = LogisticRegression(C=0.1, solver='liblinear')
model.fit(X_train, y_train)

# 预测概率
y_pred_prob = model.predict_proba(X_test)[:, 1]

# 评估模型
auc = roc_auc_score(y_test, y_pred_prob)
print(f'AUC: {auc:.4f}')

4.3.2 决策树：灵活、直观、能处理非线性

决策树则像一个“如果-那么”的规则集合。比如：如果合作时长大于3年，且交易金额大于100万，则信用等级为A。

决策树的优点：

  • 能处理非线性关系：不需要假设特征之间的关系。
  • 直观易懂：画出来就是一棵树，业务人员也能看懂。
  • 对缺失值不敏感：有些决策树算法（如CART）能自动处理缺失值。

缺点呢？容易过拟合，尤其是树很深的时候。而且它不稳定——数据稍微变一点，树的结构可能就全变了。

决策树代码示例：

from sklearn.tree import DecisionTreeClassifier
from sklearn.tree import plot_tree
import matplotlib.pyplot as plt

# 训练决策树模型
tree_model = DecisionTreeClassifier(max_depth=5, min_samples_leaf=50)
tree_model.fit(X_train, y_train)

# 可视化决策树
plt.figure(figsize=(20,10))
plot_tree(tree_model, filled=True, feature_names=feature_names, class_names=['正常', '违约'])
plt.show()
注意：决策树容易过拟合，我建议用剪枝或集成方法（如随机森林）来提升稳定性。另外，决策树对类别较多的特征有偏好，分箱时要小心。

4.4 评分映射：把概率变成分数

模型输出的是概率，但业务上需要的是分数。评分映射就是做这个转换的。

评分映射的公式一般是：

Score = Offset + Factor * ln(odds)

其中 odds = p/(1-p)，p 是违约概率。Offset 和 Factor 是常数，通过业务需求设定。比如设定“分数每降低20分，违约概率翻倍”。

举个例子：假设某个代理商的违约概率是0.1，odds = 0.1/0.9 ≈ 0.111。如果 Offset=600，Factor=50，那么分数 = 600 + 50 * ln(0.111) ≈ 600 - 110 = 490分。

评分映射后，还需要做分数校准。我习惯用KS统计量来验证分数区分度——KS值大于0.3才算合格。

我的习惯：评分映射时，我会把分数区间设定为300-850分，这样和主流征信机构的分数范围一致，业务人员更容易接受。另外，分数分档也很重要——比如700分以上是优质客户，600-700分是普通客户，600分以下是高风险客户。

4.5 知识体系总览

下面这张图展示了评分卡开发的完整流程和核心逻辑：

信用评分卡开发流程 数据准备 收集、清洗、划分 特征工程 衍生、分箱、编码 模型训练 逻辑回归 / 决策树 评分映射 概率 → 分数 逻辑回归 线性关系假设 可解释性强 训练速度快 决策树 非线性关系 直观易懂 易过拟合 最终输出：信用评分卡 分数区间：300-850分

4.6 模型评估与验证

模型训练完，别急着上线。先做评估和验证，确保模型靠谱。

常用的评估指标包括：

  • AUC：衡量模型区分好坏客户的能力。AUC大于0.7算及格，大于0.8算优秀。
  • KS值：衡量模型对好坏客户的区分度。KS大于0.3算合格。
  • 混淆矩阵：看准确率、召回率、精确率。比如召回率低，说明很多违约客户没被识别出来。

验证时，我习惯做时间外验证——用过去的数据训练，用未来的数据测试。如果模型在时间外验证中表现稳定，那上线后大概率不会翻车。

一个小技巧：模型上线后，记得做监控。每个月看一次分数分布、违约率变化。如果发现分数分布偏移了，可能是数据变了，也可能是模型失效了。这时候需要重新训练或调整模型。

好了，评分卡开发的完整流程就讲到这里。数据准备、特征工程、模型训练、评分映射，每一步都有坑，但每一步也都有方法。逻辑回归和决策树各有适用场景，选哪个取决于你的业务需求和数据特点。记住，模型只是工具，真正重要的是你对业务的理解和对风险的把控。

专注资料整理

← 上一章 📖 返回目录 下一章 →