GiveMeSomeCredit——信用评分卡模型

最新推荐文章于 2025-08-09 10:41:30 发布

原创

最新推荐文章于 2025-08-09 10:41:30 发布 · 1.6w 阅读

134 ·

CC 4.0 BY-SA版权

本文详细介绍了如何使用Python建立信用评分卡模型，包括数据预处理、异常值处理、分箱、WOE转换、变量选择、逻辑回归模型建立及模型检验。通过对Kaggle的Give Me Some Credit数据集进行分析，最终成功构建了评分卡，为信贷风险评估提供了实用工具。

如今在银行、消费金融公司等各种贷款业务机构，普遍使用信用评分，对客户实行打分制，以期对客户有一个优质与否的评判。评分卡分为三类分别为：

A卡（Application score card）申请评分卡

B卡（Behavior score card）行为评分卡

C卡（Collection score card）催收评分卡

评分机制的区别在于：

1.使用的时间不同。分别侧重贷前、贷中、贷后；

2.数据要求不同。A卡一般可做贷款0-1年的信用分析，B卡则是在申请人有了一定行为后，有了较大数据进行的分析，一般为3-5年，C卡则对数据要求更大，需加入催收后客户反应等属性数据。

3.每种评分卡的模型会不一样。在A卡中常用的有逻辑回归，AHP等，而在后面两种卡中，常使用多因素逻辑回归，精度等方面更好。

对于建立评分卡模型，我们参照以下的流程：

一. 数据预处理

此次的数据来源于Kaggle的Give Me Some Credit项目，首先来看一下数据：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.ensemble import RandomForestRegressor
import seaborn as sns
from scipy import stats
import copy

%matplotlib inline

train_data = pd.read_csv('cs-training.csv')
train_data = train_data.iloc[:,1:]