作者 余子娟
随着互联网金融时代的到来，信用评分体系显得越发重要，本文就解读信用卡评分体系是如何建立的。
客户信息涉及到很多因素，因此许多因素无法在机器学习模型中进行探讨，这里收集了大部分互联网金融公司在信用卡申请时能获取到的信息。
目标
1. 使用机器学习构建信用卡评分模型，获得自变量分箱结果；
2. 并由评分模型得出最优的cutoff值，并对模型进行评价；
3. 再由新的样本集对评分卡进行测试，输出预测结果。
数据
我使用了Kaggle的两个数据集。
Kaggle数据集链接：
https://www.kaggle.com/yuzijuan/credit-card-scoring/data
环境和工具：
Rstudio，plyr，rJava，smbinning，prettyR
我首先对两个数据集进行探索性分析，剔除掉无法纳入模型的变量，例如ID，取值为空的变量，取值仅为一类的变量等；再探索配偶收入变量问题时，由于值绝大部分为0，将该变量变为二分类变量，取值为有收入与无收入；针对异常值过大的变量，采用盖帽法，用99分位点值代替极大异常值，有1分位点值代替极小异常值等等方法，数据清洗完后，再用smbinning包进行cart分箱，带入评分卡模型，获得评分卡，最后将其运用到测试集上。
开始
首先，导入必要的库和数据集，进行探索性数据分析，并剔除掉无法纳入模型的变量。
导入库
导入数据
剔除无法纳入模型的变量
由于评分卡模型一般分数越高，表示信用越好，故需要将信用好的类别得分记为1，信用不好的类别得分记为0。
为更有效分箱，获取了因子型变量集factorval和数值型变量集numericval，分别进行分箱处理。
数值型变量分箱
为更有效进行数据处理，对异常值可以进行盖帽法处理，代码如下：
以年龄数值型变量举例说明，首先查看数据分布情况，由于是因变量为二分类，自变量为数值型，用t检验来检验两分布是否有显著性差别，有显著性差别才能进行分箱，否则分箱结果无意义。
分布情况如上图所示，可以对其进行盖帽法后再t检验和分箱处理。t检验的原假设为两分类组的均值相等，结果表明原假设被拒绝，认为两分布具有显著性差别，可以进行分箱。
用的是smbinning包，这个包中采用的是CART回归树进行属性划分，数值型用函数smbinning()，由树的结果可知，划分点为19，22，32，37，46、59六个值，划分为7个属性区间。
AGE的IV值为0.2004，对AGE的WOE值画图，得到分布呈现单调趋势，表明分箱结果良好，可以纳入模型。
用AGE进行分箱的代码如下：
类推其他连续变量。通过调用numericalval可知共有7个数值型变量，由于两个数值型变量取值过于集中，后续将作为分类变量处理，故得到5个变量的IV值。
因子型变量分箱
以性别分类变量举例说明，首先对性别变量中的异常值进行处理，这种类别变量一般将异常值归为多数这类。查看分布情况可知女性的守信情况似乎比男性好一些。性别变量的WOE值区分得也很明显。
在进行分箱之前同数值型变量一样，要检验两分布是否有显著性差别，由于因变量和自变量均为分类变量，故用卡方检验。原假设为两分布之间无显著性差别，卡方检验结果表明拒绝原假设，认为两样本有显著性差别，可以进行分箱。
分类变量分箱也采用的是smbinning包，不过smbinning包中就是用原分类值进行属性划分，未对划分属性处理，分类变量用的函数是smbinning.factor()，最后得到SEX的IV值为0.0274。具体执行代码如下：
再以配偶收入举例说明，这个变量原本是数值型变量，由于取值过于集中到0，故将该变量转化为分类型变量再处理，处理方式是将取值为0的作为无收入，将取值大于0的作为有收入。
得到混淆矩阵可以看出，有收入的似乎比无收入的守信情况好一些，WOE图的区别也较为明显。
通过卡方检验也可以看出，是否有收入对信用好否有显著性影响，可以进行分箱操作。最后分箱得到IV值为0.0206。具体代码如下：
类推到其他因子型变量，计算出得到所有变量的IV值，存入creditivs中。
建立评分卡
得到所有可分箱变量的IV值，一般认为IV值大于等于0.02的对构建评分卡具有一定的帮助，故以0.02为分界点得到满足条件的变量。最后纳入评分卡模型的变量分别是年龄、工作时长（月）、个人收入、性别、婚姻状态、是否有自用手机、配偶是否有收入。
最后7个自变量的IV值的分布情况如下，可以看到年龄、婚姻状态、工作时长、是否有自用手机这几个变量的IV值较大，表明这几个变量对预测结果影响较大。
数值型分箱变量用函数smbinning.gen()，因子型变量用函数smbinning.factor.gen()，可以生成分箱后的结果，分箱后生成的新列并因变量得到data2数据集，通过逻辑回归，建立评分卡模型。通过逻辑回归结果可以看出分箱后的变量都较为显著，表示分箱结果优良。
生成评分卡是用函数smbinning.scaling()，通过调节pdo,score,odds三个参数，使得评分卡最大值与最小值位于一个较好的范围。这里评分卡的区间为（389,888）。
最后保存为新的csv文件，评分卡就做好了。具体代码如下：
评分卡展示如下，points表示为评分卡的分值。如年龄在45岁的客户，得分为166分。
最后，你总得告诉领导或者同事，到底大于等于多少时，我们认为是好客户，这时还有最后一步，就是求cutoff值，将训练数据通过函数smbinning.scoring.gen()可以得到客户的得分，由于训练数据本身有是否违约这个变量，那么cutoff值有两种选择方式，第一种基于业务发展现状，即公司是需要盈利增收，还是公司需要控制风险，然后商议讨论选择一个cutoff值。下图为客户得分与客户违约的箱体图，1表示好客户，0表示坏客户，可以看出好客户的得分值会高于坏客户的得分值。
对客户得分与客户违约做t检验，检验结果表明，两分布具备显著性差别，可以认为好客户和坏客户的得分会有显著性差别。坏客户的得分集中在578分附近，好客户得分集中于620分附近。
第二种获得cutoff值的方式就是电脑自动计算最优cutoff值，用的函数smbinning.metrics()，从输出的报告可以看出，最优cutoff值为615，这样划分的话，ROC曲线的AUC值为0.657，不算特别优良，准确率（precision）达到87.8%。
具体执行代码如下：
预测
针对新样本，我选择用Excel工具获得信用评分，使用VLOOKUP函数可以很方便地得到想要的数据，评分展示如下，选择cutoff值为615，这里认为（600,620）的客户为关注客户，信用情况中等，620分以上的客户信用情况良好，600分以下的客户信用情况堪忧。
分别用！、√、×来表示中等、优良、较差的信用情况。
结语
本案例不足之处在于：
1. 未对职业代码、商店等级代码等信息进行提炼，可能会忽略掉一些有可能对模型有影响的变量。
2. Smbinning包在数值型变量分箱这一块很强大，但是对分类变量分箱结果不太尽如人意，可以考虑其他分箱方法。
3. 可以整合更多模型，从而提高预测准确率。
本文为专栏文章，来自：CDA数据分析师，内容观点不代表本站立场，如若转载请联系专栏作者，本文链接：https://www.afenxi.com/56689.html 。
