用机器学习做信用评分

本文为 AI 研习社编译的技术博客，原标题 ：

Credit Scoring with Machine Learning

作者 | Hongri Jia

翻译 | 胡瑛皓         

校对 | 酱番梨        审核 | 约翰逊·李加薪       整理 | 立鱼王

原文链接：

https://medium.com/henry-jia/how-to-score-your-credit-1c08dd73e2ed

注：本文的相关链接请访问文末【阅读原文】

信用评分是衡量人们信用的数字表示。银行业通常用它作为支持信贷申请决策的方法。本文讲述如何用Python(Pandas、Sklearn)开发标准评分卡模型，它已成为一种最受欢迎且最简单的衡量客户信用的形式。

   项目动机

如今信用对每个人来说都非常重要，因为它是衡量一个人是否可靠的一种指标。很多时候服务提供商在提供服务前会先评估客户的信用记录，然后决定是否提供服务。可是审核个人资料并手工生成信用报告是非常耗时的。信用评分节省时间而且容易解读，所以就被开发出来服务这些目的。

产生信用分的过程称为信用评分，它被广泛应用于许多行业特别是银行业。银行通常用信用分决定谁应该授信、授信额度是多少、使用什么样的操作策略去避免信用风险。总体来说主要是两部分:

• 建立统计模型

• 应用统计模型为信用申请或现有信用帐户打分

本文会介绍最受欢迎的信用评分方法，我们称为评分卡模型。有两个原因使其成为主流的方法。首先，评分卡模型很容易跟没有相关背景和经验的人(诸如客户)解释说明。其次，评分卡模型的开发过程很标准且被广泛接受，这意味着公司不需要投入太多研发经费。以下是评分卡的样例，后面会讲到如何使用。

图1 评分卡样例

   数据探索和特征工程

接下来将详细说明如何开发评分卡模型。我用的数据集来自Kaggle竞赛。 图2列出该数据集的数据字典信息。其中第一个变量是目标变量，二元分类变量，其余变量是特征。

图2 数据字典

浏览完数据后，开始用一些特征工程的方法处理一下数据。首先检查每个特征变量是否包含缺失值，然后用中位数估算补齐。

接下来处理异常值。总体来说，需要根据异常的类型进行处理。例如 如果异常值是由机械错误或测量导致的，可以用缺失值的方法进行处理。在这个数据集中有很大的数值，不过这些值看起来都很合理，所以取top/bottom coding。图3中表明当采用top coding后，数据分布看起来更接近于正态。

图3 用Top coding处理异常值

如图1中样例评分卡所示，很显然每个特征已被分组为不同的属性(或属性组)，分组原因如下：

• 有助于洞察特征的关联属性及性能

• 在非线性依赖特征应用线性模型

• 深入了解风险预测器的行为，有助于制定更好的组合管理策略

那么我们可以采用分桶法，处理后每个值被赋予它所应在的一个属性，这样一来数值特征便被转化为分类特征。以下是分桶后的输出样例。

图4 分桶处理“年龄”

所有特征分组后，特征工程就完成了。接下来是计算每个属性的证据权重(WoE)以及每个特点(特征)的信息价值。之前提到将所有数值类型都分桶处理后转换为分类型特征。然而不能直接用这些分类模型去拟合模型，所以需要给这些分类特征赋予一些数值。计算证据权重(WoE)的目的是为每个分类变量分配一个唯一值。信息价值(IV)用来衡量特征的预测力，将被用于特征选择。下面给出WoE和IV的公式。这里“Good”意思是客户不会有严重逾期或者目标变量=0，而“Bad”客户会产生逾期目标变量=1.

通常特征分析报告可提供WoE和IV。我在Python中定义了一个函数自动生成这个报告。以“Age”特征为例，其特征分析报告如图5所示

图5 “Age”特征分析报告

绘制一张柱状图，方便比较各种特征的IV。从柱状图中可以看到最后两个特征“NumberOfOpenCreditLinesAndLoans”和 “NumberRealEstateLoansOrLines”的IV值较小，因而只选用其他8个特征训练模型。

图6 特征预测力

   模型拟合及评分卡得分系数计算

特征选取完成后，用WoE替换原有变量的值进行建模。训练模型的数据已经准备好了。评分卡模型开发通常使用的模型是逻辑回归，它是一个通用的二分类模型。我通过交叉验证和网格搜索调整参数，然后用测试数据集检查模型的精度。 由于Kaggle不会给出目标变量的值，我不得不在线提交以获得精度。为了证明这些数据处理是有效的，我分别用原始数据和处理后的数据进行建模。Kaggle给出的结果，经过数据处理精度从0.693956提升至0.800946。

最后一步是为每个属性计算评分卡得分系数，这样就得到了最终的评分卡。评分卡模型的得分可以通过以下式子计算得到:

Score = (β×WoE+ α/n)×Factor + Offset/n

此处:
β —含 给定属性的逻辑回归模型的系数

α —逻辑回归模型的截距  
WoE — 给定属性的证据权重

n —模型特征数量
Factor, Offset — 缩放参数

前四个参数的计算方法在前面已经提到过，这里给出最后两个参数factor和offset的计算方法。

• Factor = pdo/Ln(2)

• Offset = Score — (Factor × ln(Odds))

这里pdo意思是加倍odds需要的点数，坏样本率在之前的特征分析报告中已计算过了。如果评分卡模型的基础odds是50:1，其得分为600，那么pdo=20 ，也就是说每增加20点odds翻一倍，具体来说factor和offset公式如下:
Factor = 20/Ln(2) = 28.85
Offset = 600- 28.85 × Ln (50) = 487.14

算完这些之后，评分卡开发就完成了，图7中列出了评分卡的部分结果。

图7 最终评分卡 部分特征

如果来了一个新客户，你可以立刻查表找出特征对应的得分，然后评分卡最终的得分是每个特征得分值之和。比如说，银行开发了一位新的信用卡申请人，年龄45岁、负债率0.5、月收入5000美元。其信用评分为 53 + 55 + 57 = 165。

如需要开发更精准的评分卡，开发人员需要考虑更多场景。例如有些个人属于“Bad”，然而申请却通过了。或者一些个人属于“Good”，但申请被拒绝。因此拒绝推断需要结合到开发过程中。这里并未实现，因为在我的数据集中缺少拒绝数据。如果你想更深入了解这部分，推荐你阅读Naeem Siddiqi写的 《Credit Risk Scorecards — Developing and Implementing Intelligent Credit Scoring》。

想要继续查看该篇文章相关链接和参考文献？

点击底部【阅读原文】即可访问：

https://ai.yanxishe.com/page/TextTranslation/1626

AI求职百题斩 · 每日一题

每天进步一点点，长按扫码参与每日一题！

点击阅读原文，查看本文更多内容↙