【代码】如何用bbbrisk快速实现一个评分卡-（代码与讲解）

本文链接：https://blog.youkuaiyun.com/dbat2015/article/details/146040233

本文介绍如何使用bbbrisk来快速实现一个评分卡，并展示和解说运行后得到的结果
包括变量的分箱、模型的AUC、评分卡表、阈值表、分数分布图等等
通过本文，可以知道如何快速实现评分卡，以及如何看评分卡的结果

一、评分卡与bbbrisk简介

1.1 .什么是评分卡

评分卡是小贷风控中的一种常用模型，它最终输出一张用于估计小贷客户质量的评分卡表。
评分卡样式如下：
评分卡表示例
在来了新用户后，根据以上卡表，算出用户最终的评分。

1.2 .什么是bbbrisk

bbbrisk是python的一个风控包，它提供了快速构建评分卡的功能，bbbrisk的优点是，不仅仅是单纯的提供评分卡模型，而是实际构建评分卡时一切可能用到的功能。
在使用bbbrisk时，直接pip安装就可以了，如下:

pip install bbbrisk

二、bbbrisk实现评分卡-示例

2.1. 评分卡-数据介绍

bbbrisk自带的小贷数据共包含10个变量与客户好坏标签，
数据包含的10变量和标签如下：
评分卡数据变量名称
数据共2万条，示例如下：
评分卡数据示例

2.2. 评分卡-代码实现

用bbbrisk实现小贷评分卡的代码如下：

import  bbbrisk  as br

# 加载数据                                                                     
data = br.datasets.load_bloan()                                                # 加载数据
x = data.iloc[:,:-1]                                                           # 变量数据
y = data['is_bad']                                                             # 标签数据

# 构建评分卡
bin_sets   = br.bins.batch.autoBins(x, y,enum_var=['city','marital'])          # 自动分箱,如果有枚举变量,必须指出哪些是枚举变量
bin_stats  = br.bins.batch.bin_stats(x, y, bin_sets)                           # 分箱统计
model,card = br.model.scoreCard(x,y,bin_sets,train_param={'random_state':0})   # 构建评分卡,为了使结果能重现,笔者设置了固定的随机种子 
score      = card.predict(x[card.var])                                         # 用评分卡进行评分
card.featureScore                                                              # 评分卡-特征得分表
card.baseScore                                                                 # 评分卡-基础分

# 打印结果
print('\n-----【 模型性能评估 】----')
print('* 模型训练AUC:',model.train_auc)                                        # 打印模型训练数据集的AUC
print('* 模型测试AUC:',model.test_auc)                                         # 打印模型测试数据集的AUC
print('* 模型训练KS:',model.train_ks)                                          # 打印模型训练数据集的KS
print('* 模型测试KS:',model.test_ks)                                           # 打印模型测试数据集的KS
													                           
print('\n--------【 模型 】---------')                                         
print('* 模型使用的变量:',model.var)                                           # 模型最终使用的变量
print('* 模型权重:',model.w)                                                   # 模型的变量权重
print('* 模型阈值:',model.b)                                                   # 模型的阈值

# 计算阈值表与分数分布图
thd_tb    = br.report.get_threshold_tb(score,y,bin_step=10)                    # 阈值表
br.report.draw_score_disb(score,y,bin_step=10,figsize=(14, 4))                 # 分数分布

代码运行结果如下：
评分卡运行结果
从上面的结果，可以看到模型的训练、测试数据的AUC和KS，以及模型的参数等。
需要注意的是，评分卡在建模时会用逐步回归进行筛选变量，因此最终只保留了5个变量。

三、评分卡结果解说

3.1. 变量的分箱结果

变量的分箱结果记录在bin_stats中，例如rev变量的分箱为

print(bin_stats['rev'])

展示如下：
变量的分箱

3.2. 评分卡表

card.featureScore和card.baseScore里分别存放了特征得分与基础分。
两者合并后就是最终的评分卡表，如下：

使用上述卡表进行评分，只需计算出每个特征的得分，再加上基础分，就是总评分

3.3. 阈值表

代码中的report.get_threshold_tb用于计算阈值表，阈值表计算结果如下：

评分卡的阈值一般参考以上的阈值表来确定，
以第二行为例，它的意义如下：
[640,650)的人共12个，其中2个是好客户，10个是坏客户
如果阈值取为<640，则会：
损失29个客户，占总客户(20000个)中的0.15%，
损失的(29个)客户中有7个好客户，占总好客户(18617个)中的0.04%，
损失的(29个)客户中有22个坏客户(剔除了22个坏客户)，即剔除了总体坏客户(1383个)中的1.59%
本组中，坏客户占比为83.33%（10/12），损失客户中，坏客户占比为0.7059(22/29)