作者：胡赟豪‍‍‍‍
本文约2800字，建议阅读5分钟
本文介绍了构建评分卡模型。‍‍‍

一、背景

在各种机器学习、深度学习模型快速发展的当下，评分卡模型作为一种可解释机器学习模型，仍然在金融、营销等领域被广泛使用。这一模型通过构建一组基于输入变量的评分规则，能够直观地对样本进行评分，非常易于理解和操作。举一个金融信用风险评分卡的例子，要判断一笔贷款能够被按时偿还的风险大小，可以设置这样一个评分卡：

是否有车	否	0
	是	10
是否有房	否	0
	是	30
是否已婚	否	0
	是	10
年龄	[0,25)	0
	[25,40)	5
	[40~55)	10
	[55,+∞)	5
学历	初中及以下	0
	高中	5
	本科	10
	硕士及以上	20
月均收入	0~3000	0
	3000~6000	5
	6000~10000	10
	10000~20000	15
	20000+	20

这个评分卡的得分范围是[0,100]，分数越高，违约的风险就越小。对于一个有房有车，有着本科学历和15000元月收入的30岁已婚申请者，按照评分卡可以计算其得分：10+30+10+5+10+15=80分，据此风险评估人员可以快速地判断出该申请者的信用风险较小。

评分卡的强可解释性一方面使其能够快速给出结论，另一方面也能给出原因。通过查看每个评分项的得分，我们也可以清楚看到申请者在哪些项目扣了多少分。在一些其他场景下我们如果要给予被评分人建议，也可以清楚地看到哪一项提升到什么程度，对应能够增加多少得分。

那么评分卡为什么最后是选用这些变量？这些分数又是怎么计算出来的呢？接下来我们一起看看评分卡的构建过程。

二、数据清洗

在上面的例子中，模型的目标是申请者是否会按时偿还，特征则是每个申请者的个人信息。在收集好样本数据之后，首先需要对数据进行清洗，包括异常值、缺失值处理等。

异常值可以基于规则或者离群值检测来发现，例如发现年龄为负数、收入高于平均值的X%（X可以自行调整）等情况的样本，可以予以剔除，避免干扰后续的模型构建。   

缺失值则可以用平均数、相似样本填充等方法进行填补，也可以直接保留缺失状态，在后续的建模中作为单独的一个分箱。

三、分箱

评分卡模型的一大特点是对每个输入变量的不同分箱分别进行打分。例如在上面例子中，我们注意到每个输入变量都是离散的。即使是像收入、年龄这样的连续型变量，也是先进行分箱（分成不同的取值区间）后再进行打分，因此模型最后的得分也是离散的。

分箱的常见方法包括：

（1）等距分箱

将变量可能取值的区间分为k个相同大小的小区间，例如连续区间[0,3]拆分为[0,1)和[1,2）、[2,3]三个分箱。

（2）等频分箱

将变量可能取值的区间分为k个区间（可以不同大小），每个区间内的样本频率相同，例如[0,3]拆分为[0,1)和[1,3]两个区间，但样本中在两个区间内的取值频率相同。

（3）最优分箱

最优分箱方法是有监督的，需要样本的标签信息，使用类似于决策树的方法，通过计算信息熵增益等指标来决定拆分点。

四、WOE编码

分箱之后输入变量变成一系列取值为0或1的变量分箱，接下来我们需要对它们进行有监督的WOE（证据权重，weight of evidence）编码，将“1”转换成其他更加有预测能力的数字。   

假设样本标签中违约为1，按时偿还为0，则对于变量分箱i，定义以下变量：

‍

为分箱i中违约客户占所有样本中违约客户的比例

为分箱i中按时偿还客户占所有样本中违约客户的比例

为分箱i中违约客户人数

为分箱i中按时偿还的客户人数

为所有样本中违约客户人数

为所有样本中按时偿还的客户人数

则分箱i的WOE取值为

 

通过公式可以看出，分箱中违约客户比例越高，WOE值越大，理论上 。当分箱i中违约客户占比高于总体时WOE>0，小于总体时WOE<0；违约客户的占比和总体一致时，WOE值为0，分箱没有预测能力

从上面的式子可以看出，WOE值能够反映分箱对目标预测的贡献情况，在分箱的分类信息“1”的基础上增加该分箱的权重信息，因此WOE被称为“证据权重”。注意在计算时，即使是缺失值组成的分箱也可以算出一个WOE分数。

但是WOE的计算为什么是这个形式？一种解释是为了更加适配后续的logistic建模，从以下推导中可以看出，WOE分数和预测目标的对数几率的变化近似线性相关。   

Logistic模型公式：，其中p为客户违约概率，为模型的参数向量

 ，其中为分箱i中客户违约概率，为总体的违约对数几率。

‍

五、变量选择

变量选择的目标主要有两个，一个是筛选出预测能力强的变量，另一个是处理多重共线性问题。

评分卡模型中常用IV值（信息价值，information value）来表示变量的预测能力，变量的IV值是其所有分箱的IV值之和：

由于公式中的两个项同向，故IV≥0，IV值越大，变量对目标的预测能力越强。

多重共线性则可以结合变量间相关系数、VIF值等进行判断，在多个共线性较高的变量中，可以优先保留预测能力较高的变量。

六、模型训练与评估

训练前首先对样本进行样本集和测试集的拆分。评分卡模型本质上是一个二分类预测模型，使用logistic模型来估计参数，接下来只需要将筛选后的变量的分箱WOE值输入到模型中，完成模型的训练即可。在测试集上可以计算模型的AUC、KS等指标，来评估模型效果。   

七、评分卡转换

至此还剩下最后一个问题：怎样将模型的结果转化为文章开头那样的评分卡里的分数？

例子中评分卡的分数实际上表达的是违约的对数几率大小（因为希望分数大小和违约几率负相关所以加入负号）：

假设向量x取某个值时，违约几率为odds0，则此时得分为；再假设几率翻倍时，有，其中PDO表示违约几率翻倍时分数的变动幅度。可以将以上两个式子联成一个方程组，在人工设定基础分数s0、基础几率odds0和PDO的基础上即可解出A、B大小。

在式子中代入A、B后，就可以将各个变量的分箱得分计算出来，生成评分卡了。注意此时评分卡得分的阈值范围很可能并不是0～100这样比较规整的区间，但可以通过分数的映射再进行一些调整得到。

编辑：王菁

作者简介

胡赟豪，硕士毕业于清华大学经济管理学院，现从事于互联网数据科学相关工作，主要技术探索方向为机器学习及其在商业中的应用。

数据派研究部介绍

数据派研究部成立于2017年初，以兴趣为核心划分多个组别，各组既遵循研究部整体的知识分享和实践项目规划，又各具特色：

算法模型组：积极组队参加kaggle等比赛，原创手把手教系列文章；

调研分析组：通过专访等方式调研大数据的应用，探索数据产品之美；

系统平台组：追踪大数据&人工智能系统平台技术前沿，对话专家；

自然语言处理组：重于实践，积极参加比赛及策划各类文本分析项目；

制造业大数据组：秉工业强国之梦，产学研政结合，挖掘数据价值；

数据可视化组：将信息与艺术融合，探索数据之美，学用可视化讲故事；

网络爬虫组：爬取网络信息，配合其他各组开发创意项目。

点击文末“阅读原文”，报名数据派研究部志愿者，总有一组适合你~

转载须知

如需转载，请在开篇显著位置注明作者和出处（转自：数据派THUID：DatapiTHU），并在文章结尾放置数据派醒目二维码。有原创标识文章，请发送【文章名称-待授权公众号名称及ID】至联系邮箱，申请白名单授权并按要求编辑。

未经许可的转载以及改编者，我们将依法追究其法律责任。

点击“阅读原文”加入组织~