模型建立以后得到的log(odds)值是建模样本的好/坏比的对数，分值可以为负值，使得分值的可解读性很差，为了使得评分的结果更容易理解，更加具有实用性，我们希望看到评分卡的样子，通常对变量的特征值进行线性比例变换，并加上一个偏移量，公式如下：
其中，比例因子factor和偏移量offset可以通过以下行业规则确定：
- 好：坏 = 20:1 时，评分刻度为600；
- 评分每增减20分，好坏比增加一倍。
代码如下：
def make_scorecard(formular,woe,basescore=600.0,base_odds=50.0/1.0,pdo=50.0): """ 一般行业规则，一般设定当odds为50时，score为600 Odds翻倍时，score+20 score = -(woe*b +a/n)*factor + offset/n factor = pdo/np.log(2) offset = basescore - factor*np.log(base_odds) basescore = float(600) base_odds = 50.0/1.0 pdo = float(50) #计算所需要的参数 """ a = formular[formular[u"参数"] == "Intercept"].ix[0,u"估计值"] formular = formular.iloc[1:,:] n = float(len(formular)) factor = pdo/np.log(2) offset = basescore - factor*np.log(base_odds) #生成评分卡 scorecard = pd.DataFrame() for i in formular[u"参数"]: woe_frame = woe[woe['var_name'] == i][['var_name','interval','min','max','PctRec','bad_rate','WOE']] beta_i = formular[formular[u"参数"] == i][u"估计值"].iloc[0] #woe_frame['score'] = woe_frame['WOE'].apply(lambda woe : offset/n - factor*(a/n-np.abs(beta_i)*woe)) woe_frame['score'] = woe_frame['WOE'].apply(lambda woe : offset/n - factor*(a/n+beta_i*woe)) scorecard = pd.concat((scorecard,woe_frame),axis=0) return scorecard
[1]参考资料：《SAS开发经典案例解析》（杨驰然）
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/212201.html原文链接：https://javaforall.net
