資料分析之信用風險評分卡建立

阿新 • • 發佈：2019-01-31

專案需求：現某金融公司想要通過建立信用風險評分卡對客戶進行判斷，是否發放貸款

專案描述：資料來源 kaggle 資料量 4 萬條，原始欄位數 33 個

專案目的：使用機器學習構建信用卡評分模型，對新樣本做出預測
環境和工具： Rstudio， prettyR， smbinning
流程：
1.資料探索：完全缺失欄位，以及二分類變數正類缺失的欄位進行刪除，對異常值採取蓋帽
法進行替換
2 對變數進行分箱操作。使用 smbinning 包中的函式，通過決策樹進行最優分箱，得到每
個變數的分箱結果，以及對應的 IV 值和 WOE 值。
3 通過 IV 值大於 0.02 的部分，篩選變數（性別，年齡，婚姻，區編號，是否有家庭電話，
工作年限，收入共 7 個變數），並通過 smbinning.gen 和 smbinning.factor.gen 函式生成
新的變數並生成新的資料表。變數值為分箱後對應的 WOE 值，資料模型進行建模
4 採用 Logistic(邏輯迴歸)進行學習建模，對輸出結果通過 smbinning.scaling 進行打分，
生成評分卡
5．通過評分卡對原資料客戶進行打分，基本判斷，好壞客戶的分數取值分佈情況。其次通
過 smbinning.metrics()輸出結果，得到評分卡的分數最優閾值為 546， AUC 值為 0.66，
並不是很好，準確率（precision）達 87.6%
6 最後通過評分卡，使用 excel 表格，運用 vlookup 函式，對新的客戶進行匹配打分
模型使用 Rstudiuo 進行搭建。使用包： base,subning,prettyR, 使用函式： glm subning
subning.factor subning.gen subning.factor.gen sunbning..plot

開始：

首先匯入需要使用得包：

1 資料工程：
資料探索階段，發現數據中有部門欄位內容全部缺失，以及部分二分類變數只有 1 個有值，
故這兩種情況無法參加建模，將其找出刪除。同時識別出哪些欄位是因子型，哪些是數值型，

方便後面分箱使用不同得函式，其中數值型欄位用：smbinning 因子型使用：smbinning.factor

異常值處理：通過箱線圖判斷是否存在異常值，使用蓋帽法，用 99 分位點值代替極大異常

值，有 1 分位點值代替極小異常值的方法

由於 smbining 函式中得打分是 1 是信用高得客戶，故這裡將目標變數得 0 和 1 值互換

變數分箱：使用 smbinning 函式，運用迴歸決策樹最優分箱，從而使得類之間的相異性盡
可能大（由於變數較多，這裡不一一列舉，拿兩個欄位舉例），其中連續變數使用得函式為：
smbinning 因子變數： smbinning.factor

連續型變數舉例：首先用箱圖檢視資料分佈情況，若分佈區別不明顯，可以使用 T 檢驗（數

值變數對分類變數得影響），有顯著性再進行分箱，否則無意義

年齡屬性得分佈情況如上圖，通過 T 檢驗， P<0.05,表明原假設被拒絕，認為屬性對目標變
量有顯著影響，可以進行分箱
Smbnning 對年齡得分箱結果，是通過迴歸樹進行最有分箱，由樹圖可知：劃分點為： 19，
22， 32， 37， 46， 59 六個點，分為 7 個區間屬性，同時獲取響應區間 WOE 值以及總得 IV

值。