文章目录

• 安装说明

• 模型训练

• 模型结果

• 评分卡

• 各变量类型以及IV值

• 连续变量的切分点

• 模型效果检验

• 预测

• 补充-模型调试

• 变量IV值以及分箱分析

• 模型效果分析

• 补充-包的参数解释

安装说明

包已上传至PYPI官网，详见CreditScoreModel包

首次使用可以直接使用以下代码安装

模型训练

模型结果

评分卡

对应的变量中文名

[‘变量名’, ‘变量类型’, ‘切分点’, ‘切分分组’, ‘y为1的数量’, ‘y为0的数量’, ‘总数’, ‘y为1的数量占比’, ‘y为0的数量占比’, ‘总数占比’,‘y为1占总数比例’, ‘woe’, ‘各分组iv’, ‘变量iv值’, ‘logistic参数col_coef’, ‘logistic参数lr_intercept’, ‘分组分数’]

ls.score_card

各变量类型以及IV值

ls.col_type_iv

连续变量的切分点

ls.col_continuous_cut_points

模型效果检验

ls.plot_roc_ks(data_train,ls.score_card)

ls.plot_roc_ks(data_test,ls.score_card)

预测

ls.predict_score_proba(data_test,ls.score_card)

37500 rows × 7 columns

补充-模型调试

变量IV值以及分箱分析

#默认决策树分箱ls.plot_col_woe_iv(data,'age')

C:\ProgramData\Anaconda3\lib\site-packages\CreditScoreModel\LogisticScoreCard.py:152: RuntimeWarning: divide by zero encountered in logresult['woe'] = np.log(result['1_pct'] / result['0_pct'])  # WOE

# 不输出具体数据ls.plot_col_woe_iv(data,'age',[-inf,20,30,40,inf],return_data=False)

模型效果分析

补充-包的参数解释

转载:https://blog.csdn.net/csqazwsxedc/article/details/87982257

一行代码搞定信用评分模型（python）就为大家介绍到这里，give me some credit完整视频教学和代码下载请参考《python信用评分卡建模（附代码）》