【菜菜的sklearn课堂笔记】逻辑回归与评分卡-用逻辑回归制作评分卡-制作评分卡

视频作者：菜菜TsaiTsai
链接：【技术干货】菜菜的机器学习sklearn【全85集】Python进阶_哔哩哔哩_bilibili

评分卡中的分数，由以下公式计算：
$$Score=A-B\times \log (odds)$$
其中A与B是常数，A叫做“补偿”，B叫做“刻度”，$\log (odds)$代表了一个人违约的可能性。对于一个样本，代入先进行WOE变换，然后代入逻辑回归得到的值就是$\log (odds)$
我们要假定一个基准分，这是一个人为设定的分数，这里我们假设600分对应好坏比为$\begin{array}{r}\frac{1}{60}\end{array}$，如果好坏比增加一倍，也就是好坏比为$\begin{array}{r}\frac{1}{30}\end{array}$，分数降低20分（指定的违约概率翻倍的分数（PDO）），也就有
$$\{\begin{array}{rl}& 600=A-B\times \log (\frac{1}{60})\\ & 580=A-B\times \log (\frac{1}{30})\end{array}$$

B = 20/np.log(1/2)
A = 600 + B * np.log(1/60)
B,A
---
(28.85390081777927, 481.8621880878296)

有了A和B，分数就很容易得到了。其中不受评分卡中各特征影响的基础分（这个也被称为基础分），就是将截距作为$\log (odds)$带入公式进行计算：

base_score = A - B * lr.intercept_
base_score
---
array([482.06209686])

用不同分箱的WOE值乘B，得到的数值就是该分箱对分数的影响

with open(r'D:\ObsidianWorkSpace\SklearnData\ScoreData.csv',"w") as fdata:
    fdata.write("base_score,{}\n".format(base_score))
for i,col in enumerate(X.columns):
    score = woeall[col] * (-B * lr.coef_[0][i])
    score.name = "Score"
    score.index.name = col
    score.to_csv(r'D:\ObsidianWorkSpace\SklearnData\ScoreData.csv',header=True,mode="a")

其实大家可以发现，真正建模的部分不多，更多是我们如何处理数据，如何利用统计和机器学习的方法将数据调整成我们希望的样子，所以除了算法，更加重要的是我们能够达成数据目的的工程能力

推荐一篇文章：评分卡–基础分、基准分、PDO、WOE、补偿、刻度 行可可_公众号-行可可的博客-CSDN博客_评分卡pdo