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

python申请评分模型 python评分卡代码_机器学习


python申请评分模型 python评分卡代码_评分卡_02

python申请评分模型 python评分卡代码_评分卡_03

将③代入①得：
  

python申请评分模型 python评分卡代码_人工智能_04

  
即

python申请评分模型 python评分卡代码_机器学习_05

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

  

python申请评分模型 python评分卡代码_逻辑回归_06

  

python申请评分模型 python评分卡代码_python申请评分模型_07

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。

  

python申请评分模型 python评分卡代码_python申请评分模型_08

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：

  

python申请评分模型 python评分卡代码_机器学习_09

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：

  

python申请评分模型 python评分卡代码_逻辑回归_10

或

  

python申请评分模型 python评分卡代码_逻辑回归_11

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：
  

python申请评分模型 python评分卡代码_评分卡_12

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 warnings
    warnings.filterwarnings('ignore')
    w1 = pd.DataFrame({
     'cut':cut,'woe':woe})   
    w2 = w1.drop_duplicates(subset=['cut','woe'],keep='first')
    w2['name'] = cut.name
    w2['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 = pd.DataFrame({
     'name':[0],'cut':[0],'woe':[0],'coef':[0]})
    data = data
    for i in range(card_name.shape[0]):
        cut = data[card_name.iloc[i,0]]
        woe = data[card_name.iloc[i,1]]
        coef = coef
        card = var_card(cut,woe,coef,B)
        if card.shape[0]<20:
            score_cards = score_cards.append(card) 
    score_cards_final = score_cards[['name','cut','woe','coef','score']]
    score_cards_final = score_cards_final.iloc[1:,:]
    return score_cards_final


card_name = pd.DataFrame({
     'cut':columns_final_cut,'woe':columns_final_woe}) 
data = data
A, PDO, B = 201.35,40,40/np.log(2)
coef = coef_1
score_card_1 = 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，data表示原始数据，B是公式中的常数，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，后续会进行代码优化，请悉知，得到结果如下：

python申请评分模型 python评分卡代码_逻辑回归_13

如果想根据评分卡对应分段的值得到最终得分，可在Python中输入如下代码：

def all_score(score_card,data,A,B,θ0): 
    var_name = score_card[['name']].drop_duplicates(subset=['name'],keep='first')
    names = ['a']
    for i in range(var_name.shape[0]):
        sub = score_card[score_card['name']==var_name.iloc[i,0]]
        sub_1 = sub[['cut','score']]
        sub_1.rename(columns={
     'cut':sub['name'][0], 'score':sub['name'][0]+'_score'}, inplace = True)
        data = data.merge(sub_1, on=sub['name'][0],how='left')
        names.append(sub_1.columns[1])
    names = names[1:]
    score_model = data[names]
    score_model['woe_score'] = score_model.apply(lambda x:x.sum(), axis = 1)
    data['TOTALSCORE'] = score_model['woe_score']+A-B*θ0
    return data

score_1 = all_score(score_card_1,data,201.35,40/np.log(2),θ0=0.001)

其中score_card_1表示标准评分卡，data表示原始数据，A、B、θ0详见上文中评分卡原理。得到结果如下：
  

python申请评分模型 python评分卡代码_python申请评分模型_14

  
让你彻底理解信用评分卡原理（Python实现评分卡代码）就为大家介绍到这里了，