评分卡中的A卡、B卡、C卡是指
贷前：请求评分卡（Application score card），称为A卡
贷中：行为评分卡（Behavior score card），称为B卡
贷后：催收评分卡（Collecappointmenttion score card），称为C卡
WOE（依据权重）
Weight of Evidence，依据权重
是自变量的一种编码，常用于特征转化用来衡量自变量与因变量的相关性
B代表危险客户，G代表正常客户
关于某一变量某一分组的WOE，衡逻辑回归的原理和应用量了这组里面的好坏客户的apple占比与整体样本好坏样本占比的差异
Thinking：关于二分类问题共100条记载，一个自变量只要两个值value1, value2，怎样核算value1, value2对应的woe1, woe2？
value1有50条记载，其中40条对应label逻辑回归spss操作 1，其他10条对应label 0
value2有50条记载，其中25条对应label 1，其他25条对应label 0
Thinking：WOE差异越大，对危险差异才华=差异越大，对危险差异越明显
WOE核算：
关于连续型变量，分红N个bins
关于分类型变量坚持类别group不变
核算每个bin or g逻辑回归等于roup中evappreciateent和逻辑回归spss操作non-event的百分比
WOE逻辑回归模型的效果：
能够将连续逻辑回归等于型变量转化为woe的分类变量
能够对相似的bin或group进行吞并（woe相似）
核算woe需求留意：
每个bin or grapplicationoup记载不能过少，至少有5%的记载
不要用过多的bin or group，会导致不稳定性
对bin or groupapplication中全为0或许1的特列，用 批改的woe
避免分母为0的情况
IV（Information Value）
woe只考虑了危险差异的才华，没有考虑能差异的用户有多少
IV衡量一个变量的危险差异才华,即衡量各变量对y的猜测才华，用于选择变量
IV的核算，能够认为是WOE的加权和
IV是与WOE密切相关的逻辑回归和线性回归的区别一个政策，在运用实践中，点评规范可参看如下：
评分卡模型开发步骤：
Step1，数据获取，包括获取存量客户及潜在客户的数据
存量客户，已翻开application融apple资事务的客户，逻辑回归包括个人客户和安排客户；
潜在客户，即将翻开事务的客户
Step2，EDA，获取样本整体情况，进行直方图、箱形图可视化
Step3，数据预处理，包括数据清洗、缺失值处理、失常值处理
Step4，变量选择，经过统计学的办法，选择出对违约状况影响最明显的政策。主要有单变量特征选择和依据机器学习的办法
Step5逻辑回归，模app装置下载型开发，包括变量分段、变量的WOE（依据权重）转化和逻辑回归预算三个部分
Step6，模型点评approve，点评模型的APP差异才华、猜逻辑回归的原理和应用想才华、稳定性，并形成模型逻辑回归剖析点评陈说，得出模型是否能够运用的定论
Step7，生成评分卡（许诺评分），依据逻辑回归的系数和WOE等确定许诺评分的办法，将Logistic模型转逻辑回归模型换为规范评分的办法
Step8，树立评分体系（安置上线），依据生成的评分卡，树立主动逻辑回归原理许诺评分体系
变量分箱
变量分箱是对连续变量进行离散化，分箱后的特征对失常数据有很强的鲁棒性
比方 age>30 为1，不然0，假定特征没有离散化，杜宇失常数据“年纪300岁”会逻辑回归丢失函数给模型形成很大的干扰
逻辑回归归于广义线性模型，表达才华受限，单变量离散化为N个后，相当于为模型引入了非线性，能够进步模型表达才华
离散化后能够进行特征交叉，由M+N个变量变为M*N个变量，进一步引入非线性，进步表达才华
能够将缺失作为独立的一类带入模型
将app装置下载全部变量转化到相似的尺度上
缺失值处理方appreciate法
针对字段X，存在缺失值的处理：
直接删去含有缺失值的样本
假定缺失的样本占总数很大，能够直接放弃字段X（假定将X作为特征appear参与，噪音会很大）
选用简略规则进行补全：
删去：删去数据缺失的记载；
均值：运用当前列的均值；
高频：运用当前列出现频率最高的数据。
选用猜测进行补全：
依据样本之间的相似性添approach补缺失值
依据变量之间的相关联系添补缺失值
To Do：选用随机森林对Titanic乘客生计猜测中的Embarked, Age进行补全
1）经过Sappointmenturvived,Pclass, Sex, SibSp, Parcappearanceh, Fare字段猜测Embarappreciateked字段中的缺失值
2）经过Survived,Pclass, Sex, SibSp, Parch, Fare，Embarked字段，猜测Age字段中的缺失值
