信用评分卡开发流程报告.docx

评 分 卡 开 发 流 程 文 档
一、数据集切分
将数据集依照 70% 与 30% 比率切分为训练集和测试集两部分；
二、分别对训练集与测试集进行数据预办理
1.
衍生变量箱：
分箱原则：最大分箱组数为 5 组，分箱保证了组内元素的卡方值差别最小，
行分箱归并：
3） 获得初步分箱组
a） 检查每一组分箱中坏客户比率能否存在二 0 的组，假如存在，需要对其进
行归并，直到不存在为止。
b ） 检查分箱组中，组间所对应的坏客户比率能否单一；假如不但一，依据
卡方分箱原则，将分箱组数进行减少，直到单一。
a） 检査分箱后某一组超出变量整体个数比率 90%, 假如存在，则删除该变 崑
4） 经过以上步骤后获得的类型变量，计算类別变量的 WOE 和 IV 值；

进
三、 将训练集原数据用 WOE 值代替；
四、 训练集单变量及多变量挑选（剔除多重共线性）
1、 单变量挑选：
1） IV 值挑选标准： IV ＞;
、 多变量挑选
2
1） 计算 WOE 代替后变量间的有关系数，假如变量间有关系数〉，比较该组变量
IV
值，删除 IV 值小的变虽 :：
2） 经过对不一样变量线性回归获得的
R：,计算 VIF 值，剔除 VIF = 1/
（1 -
R= ）＞ 10 的变量；
五、建立及评估逻辑回归模型
、利用上述步骤挑选获得的变量，建立逻辑回归方程；
1
、 采纳后向逐渐回归，经过剔除逻辑回归方程
P
值最不显着的变量
（P
值＜）,重
2
复以上步骤，直到全部变量均显着，或许最后没有可剔除变量。
3、 最后获得的逻辑回归方程即为所训练的最后模型。
4、 经过计算 KS、AR 指标评估模型；
45%
训练集 KS and AR for the scorecard in the test dataset are 57% and
45%
变量
类型
WOE
Intercept
Cofficient
WOE*Coff+
Factor
Offset
Score
Intercep/