【R包】scorecard:评分卡包

测试开头

【R包】scorecard:评分卡包

笔者邀请您，先思考：

1 如何设计和开发评分卡？

2 评分卡如何应用？

本文介绍评分卡包scorecard的使用。

scorecard包简介

scorecard包通过提供信息价值，变量过滤器，最佳woe分箱，记分卡缩放和模型性能评估等功能，以实现轻松高效地设计和开发信用风险记分卡。

scorecard包的函数

scorecard包提供如下函数，使得高效开发信用风险记分卡。

信息价值（iv）
变量过滤器（var_filter）
最佳woe分享（woebin，woebin_ply，woebin_plot，woebin_adj）
记分卡缩放（scorecard，scorecard_ply）
性能评估（perf_eva，perf_psi）

scorecard包应用举例

这是一个基本示例，向您展示如何开发通用的信用风险记分卡：

# 加载R包
if(!require(scorecard))
{
  install.packages("scorecard")
  require(scorecard)
}

# 数据准备
data("germancredit")
print(dim(germancredit))
print(names(germancredit))
print(head(germancredit[,20:21]))


# 变量选择
dt_s <- var_filter(germancredit, y="creditability")
print(dim(dt_s))

# 数据集划分为训练集和测试集
dt_list <- split_df(dt_s)
train <- dt_list$train
test <- dt_list$test

# woe 分箱 自动分箱
bins <- woebin(dt_s, y="creditability")

# 绘制分箱后的坏账率可视化
woebin_plot(bins)

# 手动分箱的实例
# 变量credit.amount为例
woebin_adj(dt_s, "creditability", bins$credit.amount)
# 变量other.debtors.or.guarantors为例
woebin_adj(dt_s, "creditability", bins$other.debtors.or.guarantors)
# 反复观察和调整，然后确定最佳分箱阈值
print(unique(germancredit$other.debtors.or.guarantors))

# 分箱调整
breaks_adj <- list(
  age.in.years=c(26, 35, 40),
  other.debtors.or.guarantors=c("none", "co-applicant%,%guarantor"))
bins_adj <- woebin(dt_s, y="creditability", breaks_list=breaks_adj)
woebin_adj(dt_s, "creditability", bins$other.debtors.or.guarantors)
woebin_adj(dt_s, "creditability", bins_adj$other.debtors.or.guarantors)

# 训练集和测试数据集转换为woe值
train_woe <-  woebin_ply(train, bins_adj)
test_woe <-  woebin_ply(test, bins_adj)
print(dim(train_woe))
print(dim(test_woe))

# glm模型
m1 <- glm( creditability ~ ., family = binomial(), data = train_woe)
summary(m1)

# 逐步回归选择变量
m_step <- step(m1, direction="both", trace = FALSE)
m2 <- eval(m_step$call)
summary(m2)

# 模型性能验证 ks和roc
# 预测的概率
train_pred <- predict(m2, train_woe, type = 'response')
test_pred <- predict(m2, test_woe, type = 'response')

# 性能
train_perf <- perf_eva(train$creditability, train_pred, title = 'train')
test_perf <- perf_eva(test$creditability, test_pred, title = 'test')

# 生成评分卡
card <- scorecard(bins_adj, m2)
card

# 信用评分
# 实际评分
train_score <- scorecard_ply(train, card, print_step = 0)
# 验证集评分
test_score <- scorecard_ply(test, card, print_step = 0)

print(train_score)
print(test_score)

# 模型的稳定性度量
# psi
psi_result <- perf_psi(
  score = list(train = train_score, test = test_score),
  label = list(train = train$creditability, test = test$creditability)
)

结论：
1 模型性能评价
1.1 训练数据集

1.2 测试数据集

2 模型的稳定性分析

完整代码也可以参见GitHub。

参考资料：

1https://www.rdocumentation.org/packages/scorecard/versions/0.1.8
2 Siddiqi, N. Intelligent Credit Scoring Building and Implementing Better Credit Risk Scorecards

您在阅读中，有什么见解，请留言。

数据人网是数据人学习、交流和分享的平台http://shujuren.org 。专注于从数据中学习到有用知识。
平台的理念：人人投稿，知识共享；人人分析，洞见驱动；智慧聚合，普惠人人。
您在数据人网平台，可以1）学习数据知识；2）创建数据博客；3）认识数据朋友；4）寻找数据工作；5）找到其它与数据相关的干货。
我们努力坚持做原创，聚合和分享优质的省时的数据知识！
我们都是数据人，数据是有价值的，坚定不移地实现从数据到商业价值的转换！

加入数据人圈子或者商务合作，请添加笔者微信。