信用評(píng)分模型可用“四張卡”來表示，分別是 A卡（Application score card，申請(qǐng)?jiān)u分卡）、B卡（Behavior score card，行為評(píng)分卡）、C卡（Collection score card，催收評(píng)分卡）和 F卡（Anti-Fraud Card，反欺詐評(píng)分卡），分別應(yīng)用于貸前、貸中、貸后。

本篇我們主要討論基于Python的信用評(píng)分模型開發(fā)，并在各部分附上了相關(guān)代碼。

?

項(xiàng)目流程

典型的信用評(píng)分模型如圖1-1所示。信用風(fēng)險(xiǎn)評(píng)級(jí)模型的主要開發(fā)流程如下：

1.數(shù)據(jù)獲取，包括獲取存量客戶及潛在客戶的數(shù)據(jù)。存量客戶是指已開展相關(guān)業(yè)務(wù)的客戶；潛在客戶是指未來擬開展相關(guān)業(yè)務(wù)的客戶。

2.數(shù)據(jù)預(yù)處理，主要工作包括數(shù)據(jù)清洗、缺失值處理、異常值處理，主要是為了將獲取的原始數(shù)據(jù)轉(zhuǎn)化為可用作模型開發(fā)的格式化數(shù)據(jù)。

3.探索性數(shù)據(jù)分析，該步驟主要是獲取樣本總體的大概情況，描述樣本總體情況的指標(biāo)主要有直方圖、箱形圖等。

4.變量選擇，該步驟主要是通過統(tǒng)計(jì)學(xué)的方法，篩選出對(duì)違約狀態(tài)影響最顯著的指標(biāo)。主要有單變量特征選擇方法和基于機(jī)器學(xué)習(xí)模型的方法。

5.模型開發(fā)，該步驟主要包括變量分段、變量的WOE（證據(jù)權(quán)重）變換和邏輯回歸估算三部分。

6.模型評(píng)估，該步驟主要是評(píng)估模型的區(qū)分能力、預(yù)測(cè)能力、穩(wěn)定性，并形成模型評(píng)估報(bào)告，得出模型是否可以使用的結(jié)論。

7.信用評(píng)分，根據(jù)邏輯回歸的系數(shù)和WOE等確定信用評(píng)分的方法。將Logistic模型轉(zhuǎn)換為標(biāo)準(zhǔn)評(píng)分的形式。

8.建立評(píng)分系統(tǒng)，根據(jù)信用評(píng)分方法，建立自動(dòng)信用評(píng)分系統(tǒng)。

圖1-1 信用評(píng)分模型開發(fā)流程

?

數(shù)據(jù)獲取

數(shù)據(jù)來自Kaggle的Give Me Some Credit：https://www.kaggle.com/c/GiveMeSomeCredit/data，有15萬條的樣本數(shù)據(jù)，下圖可以看到這份數(shù)據(jù)的大致情況。

數(shù)據(jù)屬于個(gè)人消費(fèi)類貸款，只考慮信用評(píng)分最終實(shí)施時(shí)能夠使用到的數(shù)據(jù)應(yīng)從如下一些方面獲取數(shù)據(jù)：

– 基本屬性：包括了借款人當(dāng)時(shí)的年齡。

– 償債能力：包括了借款人的月收入、負(fù)債比率。

– 信用往來：兩年內(nèi)35-59天逾期次數(shù)、兩年內(nèi)60-89天逾期次數(shù)、兩年內(nèi)90天或高于90天逾期的次數(shù)。

– 財(cái)產(chǎn)狀況：包括了開放式信貸和貸款數(shù)量、不動(dòng)產(chǎn)貸款或額度數(shù)量。

– 貸款屬性：暫無。

– 其他因素：包括了借款人的家屬數(shù)量（不包括本人在內(nèi)）。

– 時(shí)間窗口：自變量的觀察窗口為過去兩年，因變量表現(xiàn)窗口為未來兩年。

圖2-1 原始數(shù)據(jù)的變量

#

?

數(shù)據(jù)預(yù)處理

在對(duì)數(shù)據(jù)處理之前，需要對(duì)數(shù)據(jù)的缺失值和異常值情況進(jìn)行了解。Python內(nèi)有describe()函數(shù)，可以了解數(shù)據(jù)集的缺失值、均值和中位數(shù)等。

數(shù)據(jù)集的詳細(xì)情況：

圖3-1 變量詳細(xì)情況

從上圖可知，變量 MonthlyIncome 和 NumberOfDependents 存在缺失，變量 MonthlyIncome 共有缺失值 29731 個(gè)，NumberOfDependents 有 3924 個(gè)缺失值。

3.1缺失值處理

這種情況在現(xiàn)實(shí)問題中非常普遍，這會(huì)導(dǎo)致一些不能處理缺失值的分析方法無法應(yīng)用，因此，在信用風(fēng)險(xiǎn)評(píng)級(jí)模型開發(fā)的第一步我們就要進(jìn)行缺失值處理。缺失值處理的方法，包括如下幾種。

**１．直接刪除含有缺失值的樣本。

２．根據(jù)樣本之間的相似性填補(bǔ)缺失值。

３．根據(jù)變量之間的相關(guān)關(guān)系填補(bǔ)缺失值。**

變量 MonthlyIncome 缺失率比較大，所以我們根據(jù)變量之間的相關(guān)關(guān)系填補(bǔ)缺失值，我們采用隨機(jī)森林法：

NumberOfDependents 變量缺失值比較少，直接刪除，對(duì)總體模型不會(huì)造成太大影響。對(duì)缺失值處理完之后，刪除重復(fù)項(xiàng)。

3.2異常值處理

缺失值處理完畢后，我們還需要進(jìn)行異常值處理。異常值是指明顯偏離大多數(shù)抽樣數(shù)據(jù)的數(shù)值，比如個(gè)人客戶的年齡為0時(shí)，通常認(rèn)為該值為異常值。找出樣本總體中的異常值，通常采用離群值檢測(cè)的方法。

首先，我們發(fā)現(xiàn)變量age中存在0，顯然是異常值，直接剔除：

對(duì)于變量 NumberOfTime30-59DaysPastDueNotWorse、NumberOfTimes90DaysLate 、NumberOfTime60-89DaysPastDueNotWorse 這三個(gè)變量，由下面的箱線圖圖 3-2 可以看出，均存在異常值，且由 unique 函數(shù)可以得知均存在 96、98 兩個(gè)異常值，因此予以剔除。同時(shí)會(huì)發(fā)現(xiàn)剔除其中一個(gè)變量的 96、98 值，其他變量的 96、98 兩個(gè)值也會(huì)相應(yīng)被剔除。

圖3-2 箱形圖

剔除變量 NumberOfTime30-59DaysPastDueNotWorse 、 NumberOfTimes90DaysLate 、 NumberOfTime60-89DaysPastDueNotWorse 的異常值。另外，數(shù)據(jù)集中好客戶為 0，違約客戶為 1，考慮到正常的理解，能正常履約并支付利息的客戶為 1，所以我們將其取反。

3.3數(shù)據(jù)切分

為了驗(yàn)證模型的擬合效果，我們需要對(duì)數(shù)據(jù)集進(jìn)行切分，分成訓(xùn)練集和測(cè)試集。

探索性分析

在建立模型之前，我們一般會(huì)對(duì)現(xiàn)有的數(shù)據(jù)進(jìn)行 EDA(Exploratory Data Analysis,探索性數(shù)據(jù)分析) 。EDA 是指對(duì)已有的數(shù)據(jù)（特別是調(diào)查或觀察得來的原始數(shù)據(jù)）在盡量少的先驗(yàn)假定下進(jìn)行探索。常用的探索性數(shù)據(jù)分析方法有：直方圖、散點(diǎn)圖和箱線圖等。

客戶年齡分布如圖4-1所示，可以看到年齡變量大致呈正態(tài)分布，符合統(tǒng)計(jì)分析的假設(shè)。

圖4-1 客戶年齡分布

客戶年收入分布如圖4-2所示，月收入也大致呈正態(tài)分布，符合統(tǒng)計(jì)分析的需要。

客戶年收入分布如圖4-2所示，月收入也大致呈正態(tài)分布，符合統(tǒng)計(jì)分析的需要。

?

變量選擇

特征變量選擇(排序)對(duì)于數(shù)據(jù)分析、機(jī)器學(xué)習(xí)從業(yè)者來說非常重要。好的特征選擇能夠提升模型的性能，更能幫助我們理解數(shù)據(jù)的特點(diǎn)、底層結(jié)構(gòu)，這對(duì)進(jìn)一步改善模型、算法都有著重要作用。至于Python的變量選擇代碼實(shí)現(xiàn)可以參考結(jié)合Scikit-learn介紹幾種常用的特征選擇方法：https://www.cnblogs.com/hhh5460/p/5186226.html。

在本文中，我們采用信用評(píng)分模型的變量選擇方法，通過?WOE分析方法，即是通過比較指標(biāo)分箱和對(duì)應(yīng)分箱的違約概率來確定指標(biāo)是否符合經(jīng)濟(jì)意義。首先我們對(duì)變量進(jìn)行離散化（分箱）處理。

5.1分箱處理

變量分箱(binning)是對(duì)連續(xù)變量離散化(discretization)的一種稱呼。信用評(píng)分卡開發(fā)中一般有常用的等距分段、等深分段、最優(yōu)分段。

其中等距分段(Equval length intervals)是指分段的區(qū)間是一致的，比如年齡以十年作為一個(gè)分段；

等深分段(Equal frequency intervals)是先確定分段數(shù)量，然后令每個(gè)分段中數(shù)據(jù)數(shù)量大致相等；

最優(yōu)分段(Optimal Binning)又叫監(jiān)督離散化(supervised discretizaion)，使用遞歸劃分(Recursive Partitioning)將連續(xù)變量分為分段，背后是一種基于條件推斷查找較佳分組的算法。

我們首先選擇對(duì)連續(xù)變量進(jìn)行最優(yōu)分段，在連續(xù)變量的分布不滿足最優(yōu)分段的要求時(shí)，再考慮對(duì)連續(xù)變量進(jìn)行等距分段。最優(yōu)分箱的代碼如下：

針對(duì)我們將使用最優(yōu)分段對(duì)于數(shù)據(jù)集中的 RevolvingUtilizationOfUnsecuredLines 、age、 DebtRatio和MonthlyIncome 進(jìn)行分類。

圖5-1 RevolvingUtilizationOfUnsecuredLines分箱情況

圖5-2 age分箱情況

圖5-3 DebtRatio分箱情況

圖5-4 MonthlyIncome分箱情況

針對(duì)不能最優(yōu)分箱的變量，分箱如下：

1. # 連續(xù)變量離散化

2. cutx3 = [ninf, 0, 1, 3, 5, pinf]

3. cutx6 = [ninf, 1, 2, 3, 5, pinf]

4. cutx7 = [ninf, 0, 1, 3, 5, pinf]

5. cutx8 = [ninf, 0,1,2, 3, pinf]

6. cutx9 = [ninf, 0, 1, 3, pinf]

7. cutx10 = [ninf, 0, 1, 2, 3, 5, pinf]

5.2WOE

WOE分析， 是對(duì)指標(biāo)分箱、計(jì)算各個(gè)檔位的WOE值并觀察WOE值隨指標(biāo)變化的趨勢(shì)。其中WOE的數(shù)學(xué)定義是:

woe=ln(goodattribute/badattribute)

在進(jìn)行分析時(shí)，我們需要對(duì)各指標(biāo)從小到大排列，并計(jì)算出相應(yīng)分檔的 WOE 值。其中正向指標(biāo)越大，WOE 值越?。环聪蛑笜?biāo)越大，WOE 值越大。正向指標(biāo)的 WOE 值負(fù)斜率越大，反響指標(biāo)的正斜率越大，則說明指標(biāo)區(qū)分能力好。WOE 值趨近于直線，則意味指標(biāo)判斷能力較弱。若正向指標(biāo)和 WOE 正相關(guān)趨勢(shì)、反向指標(biāo)同 WOE 出現(xiàn)負(fù)相關(guān)趨勢(shì)，則說明此指標(biāo)不符合經(jīng)濟(jì)意義，則應(yīng)當(dāng)予以去除。

WOE函數(shù)實(shí)現(xiàn)在上一節(jié)的mono_bin()函數(shù)里面已經(jīng)包含，這里不再重復(fù)。

5.3相關(guān)性分析和IV篩選

接下來，我們會(huì)用經(jīng)過清洗后的數(shù)據(jù)看一下變量間的相關(guān)性。注意，這里的相關(guān)性分析只是初步的檢查，進(jìn)一步檢查模型的 VI （證據(jù)權(quán)重）作為變量篩選的依據(jù)。

相關(guān)性圖我們通過Python里面的seaborn包，調(diào)用heatmap()繪圖函數(shù)進(jìn)行繪制，實(shí)現(xiàn)代碼如下：

1. corr = data.corr()

2. #計(jì)算各變量的相關(guān)性系數(shù)

3. xticks = ['x0','x1','x2','x3','x4','x5','x6','x7','x8','x9','x10']#x軸標(biāo)簽

4. yticks = list(corr.index)

5. #y軸標(biāo)簽

6. fig = plt.figure()ax1 = fig.add_subplot(1, 1, 1)sns.heatmap(corr, annot=True, cmap='rainbow', ax=ax1, annot_kws={'size': 9, 'weight': 'bold', 'color': 'blue'})

7. #繪制相關(guān)性系數(shù)熱力圖

8. ax1.set_xticklabels(xticks, rotation=0, fontsize=10)ax1.set_yticklabels(yticks, rotation=0, fontsize=10)plt.show()

圖5-5 數(shù)據(jù)集各變量的相關(guān)性

由上圖可以看出，各變量之間的相關(guān)性是非常小的。NumberOfOpenCreditLinesAndLoans 和 NumberRealEstateLoansOrLines 的相關(guān)性系數(shù)為 0.43 。

接下來，進(jìn)一步計(jì)算每個(gè)變量的 Infomation Value(IV) 。IV 指標(biāo)是一般用來確定自變量的預(yù)測(cè)能力。其公式為：

IV=sum((goodattribute-badattribute)*ln(goodattribute/badattribute))

通過IV值判斷變量預(yù)測(cè)能力的標(biāo)準(zhǔn)是：

< 0.02: unpredictive

0.02 to 0.1: weak

0.1 to 0.3: medium

0.3 to 0.5: strong

0.5: suspicious

IV的實(shí)現(xiàn)放在mono_bin()函數(shù)里面，代碼實(shí)現(xiàn)如下：

生成的IV圖代碼：

1. ivlist=[ivx1,ivx2,ivx3,ivx4,ivx5,ivx6,ivx7,ivx8,ivx9,ivx10]

2. #各變量

3. IVindex=['x1','x2','x3','x4','x5','x6','x7','x8','x9','x10']

4. #x軸的標(biāo)簽

5. fig1 = plt.figure(1)ax1 = fig1.add_subplot(1, 1, 1)x = np.arange(len(index))+1ax1.bar(x, ivlist, width=0.4)

6. #生成柱狀圖

7. ax1.set_xticks(x)ax1.set_xticklabels(index, rotation=0, fontsize=12)ax1.set_ylabel('IV(Information Value)', fontsize=14)

8. #在柱狀圖上添加數(shù)字標(biāo)簽

9. for a, b in zip(x, ivlist):

10. ? ?plt.text(a, b + 0.01, '%.4f' % b, ha='center', va='bottom', fontsize=10)plt.show()

輸出圖像：

圖5-6 輸出的各變量IV圖

可以看出， DebtRatio、 MonthlyIncome、 NumberOfOpenCreditLinesAndLoans、 NumberRealEstateLoansOrLines 和 NumberOfDependents 變量的IV值明顯較低，所以予以刪除。

?

模型分析

證據(jù)權(quán)重（Weight of Evidence,WOE）轉(zhuǎn)換可以將Logistic回歸模型轉(zhuǎn)變?yōu)闃?biāo)準(zhǔn)評(píng)分卡格式。引入WOE轉(zhuǎn)換的目的并不是為了提高模型質(zhì)量，只是一些變量不應(yīng)該被納入模型，或者是因?yàn)樗鼈儾荒茉黾幽Ｐ椭担倩蛘呤且驗(yàn)榕c其模型相關(guān)系數(shù)有關(guān)的誤差較大，其實(shí)建立標(biāo)準(zhǔn)信用評(píng)分卡也可以不采用WOE轉(zhuǎn)換。

這種情況下，Logistic回歸模型需要處理更大數(shù)量的自變量。盡管這樣會(huì)增加建模程序的復(fù)雜性，但最終得到的評(píng)分卡都是一樣的。

在建立模型之前，我們需要將篩選后的變量轉(zhuǎn)換為WOE值，便于信用評(píng)分。

6.1WOE轉(zhuǎn)換

我們已經(jīng)能獲取了每個(gè)變量的分箱數(shù)據(jù)和 WOE 數(shù)據(jù)，只需要根據(jù)各變量數(shù)據(jù)進(jìn)行替換，實(shí)現(xiàn)代碼如下：

1. #替換成woe函數(shù)def replace_woe(series, cut, woe):

2. ? ?list = []

3. ? ?I = 0

4. ? ?while i<len(series):

5. ? ? ? ?value=series[i]

6. ? ? ? ?j=len(cut) - 2

7. ? ? ? ?m=len(cut) - 2

8. ? ? ? ?while j >= 0:

9. ? ? ? ? ? ?if value>=cut[j]:

10. ? ? ? ? ? ? ? ?j = -1

11. ? ? ? ? ? ?else:

12. ? ? ? ? ? ? ? ?j -= 1

13. ? ? ? ? ? ? ? ?m -= 1

14. ? ? ? ?list.append(woe[m])

15. ? ? ? ?i += 1

16. ? ?return list

我們將每個(gè)變量都進(jìn)行替換,并將其保存到 WoeData.csv 文件中：

6.2Logisic模型建立

我們直接調(diào)用 statsmodels 包來實(shí)現(xiàn)邏輯回歸：

1. 導(dǎo)入數(shù)據(jù)data = pd.read_csv('WoeData.csv')

2. #應(yīng)變量

3. Y=data['SeriousDlqin2yrs']

4. #自變量，剔除對(duì)因變量影響不明顯的變量

5. X=data.drop(['SeriousDlqin2yrs','DebtRatio','MonthlyIncome', 'NumberOfOpenCreditLinesAndLoans','NumberRealEstateLoansOrLines','NumberOfDependents'],axis=1)

6. X1=sm.add_constant(X)

7. logit=sm.Logit(Y,X1)

8. result=logit.fit()

9. print(result.summary())

輸出結(jié)果：

圖6-1 邏輯回歸模型結(jié)果

通過圖 6-1 可知，邏輯回歸各變量都已通過顯著性檢驗(yàn)，滿足要求。

6.3模型檢驗(yàn)

到這里，我們的建模部分基本結(jié)束了。我們需要驗(yàn)證一下模型的預(yù)測(cè)能力如何。我們使用在建模開始階段預(yù)留的 test 數(shù)據(jù)進(jìn)行檢驗(yàn)。通過 ROC 曲線和 AUC 來評(píng)估模型的擬合能力。

在 Python 中，可以利用 sklearn.metrics，它能方便比較兩個(gè)分類器，自動(dòng)計(jì)算 ROC 和 AUC 。

實(shí)現(xiàn)代碼：

1. #應(yīng)變量

2. Y_test = test['SeriousDlqin2yrs']

3. #自變量，剔除對(duì)因變量影響不明顯的變量，與模型變量對(duì)應(yīng)

4. X_test = test.drop(['SeriousDlqin2yrs', 'DebtRatio', 'MonthlyIncome', 'NumberOfOpenCreditLinesAndLoans','NumberRealEstateLoansOrLines', 'NumberOfDependents'], axis=1)

5. X3 = sm.add_constant(X_test)

6. resu = result.predict(X3)

7. #進(jìn)行預(yù)測(cè)

8. fpr, tpr, threshold = roc_curve(Y_test, resu)

9. rocauc = auc(fpr, tpr)

10. #計(jì)算

11. AUCplt.plot(fpr, tpr, 'b', label='AUC = %0.2f' % rocauc)

12. #生成ROC曲線

13. plt.legend(loc='lower right')

14. plt.plot([0, 1], [0, 1], 'r--')

15. plt.xlim([0, 1])

16. plt.ylim([0, 1])

17. plt.ylabel('真正率')

18. plt.xlabel('假正率')

19. plt.show()

輸出結(jié)果：

圖6-2 ROC曲線

從上圖可知，AUC 值為 0.85，說明該模型的預(yù)測(cè)效果還是不錯(cuò)的，正確率較高。

?

信用評(píng)分

我們已經(jīng)基本完成了建模相關(guān)的工作，并用ROC曲線驗(yàn)證了模型的預(yù)測(cè)能力。接下來的步驟，就是將Logistic模型轉(zhuǎn)換為標(biāo)準(zhǔn)評(píng)分卡的形式。

7.1評(píng)分標(biāo)準(zhǔn)

依據(jù)以上論文資料得到：

a=log（p_good/P_bad）

Score = offset + factor * log(odds)

在建立標(biāo)準(zhǔn)評(píng)分卡之前，我們需要選取幾個(gè)評(píng)分卡參數(shù)：基礎(chǔ)分值、 PDO （比率翻倍的分值）和好壞比。這里， 我們?nèi)?00分為基礎(chǔ)分值， PDO 為20 （每高20分好壞比翻一倍），好壞比取 20 。

1. # 我們?nèi)?00分為基礎(chǔ)分值，PDO為20（每高20分好壞比翻一倍），好壞比取20。

2. z = 20 / math.log(2)

3. q = 600 - 20 * math.log(20) / math.log(2)

4. baseScore = round(q + p * coe[0], 0)

個(gè)人總評(píng)分=基礎(chǔ)分+各部分得分

7.2部分評(píng)分

下面計(jì)算各變量部分的分?jǐn)?shù)。各部分得分函數(shù)：

1. #計(jì)算分?jǐn)?shù)函數(shù) def get_score(coe,woe,factor):

2. ? ?scores=[]

3. ? ?for w in woe:

4. ? ? ? ?score=round(coe*w*factor,0)

5. ? ? ? ?scores.append(score)

6. ? ?return scores

計(jì)算各變量得分情況：

1. # 各項(xiàng)部分分?jǐn)?shù)

2. x1 = get_score(coe[1], woex1, p)

3. x2 = get_score(coe[2], woex2, p)

4. x3 = get_score(coe[3], woex3, p)

5. x7 = get_score(coe[4], woex7, p)

6. x9 = get_score(coe[5], woex9, p)

我們可以得到各部分的評(píng)分卡如圖 7-1 所示：

圖7-1 各變量的評(píng)分標(biāo)準(zhǔn)

#

?

自動(dòng)評(píng)分系統(tǒng)

根據(jù)變量來計(jì)算分?jǐn)?shù)，實(shí)現(xiàn)如下：

1. #根據(jù)變量計(jì)算分?jǐn)?shù)

2. def compute_score(series,cut,score):

3. ? ?list = []

4. ? ?i = 0

5. ? ?while i < len(series):

6. ? ? ? ?value = series[i]

7. ? ? ? ?j = len(cut) - 2

8. ? ? ? ?m = len(cut) - 2

9. ? ? ? ?while j >= 0:

10. ? ? ? ? ? ?if value >= cut[j]:

11. ? ? ? ? ? ? ? ?j = -1

12. ? ? ? ? ? ?else:

13. ? ? ? ? ? ? ? ?j -= 1

14. ? ? ? ? ? ? ? ?m -= 1

15. ? ? ? ?list.append(score[m])

16. ? ? ? ?i += 1

17. ? ?return list

我們來計(jì)算test里面的分?jǐn)?shù)：

1. test1 = pd.read_csv('TestData.csv')

2. test1['BaseScore']=Series(np.zeros(len(test1)))+baseScore

3. test1['x1'] = Series(compute_score(test1['RevolvingUtilizationOfUnsecuredLines'], cutx1, x1))

4. test1['x2'] = Series(compute_score(test1['age'], cutx2, x2))

5. test1['x3'] = Series(compute_score(test1['NumberOfTime30-59DaysPastDueNotWorse'], cutx3, x3))

6. test1['x7'] = Series(compute_score(test1['NumberOfTimes90DaysLate'], cutx7, x7)

7. test1['x9'] = Series(compute_score(test1['NumberOfTime60-89DaysPastDueNotWorse'], cutx9, x9))

8. test1['Score'] = test1['x1'] + test1['x2'] + test1['x3'] + test1['x7'] +test1['x9'] ?+ baseScore

9. test1.to_csv('ScoreData.csv', index=False)

批量計(jì)算的部分分結(jié)果：

圖8-1 批量計(jì)算的部分結(jié)果

?

總結(jié)以及展望

本文通過對(duì) kaggle 上的 Give Me Some Credit 數(shù)據(jù)的挖掘分析，結(jié)合信用評(píng)分卡的建立原理，從數(shù)據(jù)的預(yù)處理、變量選擇、建模分析到創(chuàng)建信用評(píng)分，創(chuàng)建了一個(gè)簡單的信用評(píng)分系統(tǒng)。

基于 AI 的機(jī)器學(xué)習(xí)評(píng)分卡系統(tǒng)可通過把舊數(shù)據(jù)（某個(gè)時(shí)間點(diǎn)后，例如2年）剔除掉后再進(jìn)行自動(dòng)建模、模型評(píng)估、并不斷優(yōu)化特征變量，可以使系統(tǒng)更加強(qiáng)大。

文章鏈接 | https://zhuanlan.zhihu.com/p/35284849

基于 Python 的信用評(píng)分模型開發(fā)-附數(shù)據(jù)和代碼就為大家介紹到這里，give me some credit完整視頻教學(xué)和代碼下載請(qǐng)參考《python信用評(píng)分卡建模（附代碼）》?