1、什么是評分卡？
在銀行借貸場景中，評分卡是一種以分數形式來衡量一個客戶的信用風險大小的手段，一般來說，評分卡打出的分數越高，客戶的信用越好，風險越小。
2、評分卡怎么使用？
對於需要借貸的個人或者公司，在借貸時需要填寫一張表格，表格內容包括年齡，收入，家庭人口數量等等。評分卡將每個特征划分為幾個區間，每個區間有一個分數。根據客戶所填信息對照評分卡，為客戶所填的每一個特征賦一個分數，最后相加計算這個用戶的總得分。依據總得分評估他的信用程度。
3、怎么使用邏輯回歸制作評分卡？
制作評分卡需要大量客戶所填的信息（特征矩陣X），以及該客戶是否違約的信息（標簽Y）。
（1）對特征矩陣X進行數據預處理。包括去除重復值，填補缺失值（僅有極少數樣本缺失該特征可考慮直接刪除該特征，可使用均值填補家庭人數，隨機森林填補收入等），處理異常值，處理樣本不均衡問題（使用過采樣和欠采樣的方法），但是我們一般不對數據進行標准化處理（這是因為我們給出的評分卡是給業務人員看的，而客戶所填信息天生就是量綱不統一的）。
（2）找出每個特征最佳分箱數和箱子邊界。最佳分箱數就是使得該特征的IV值盡量在最佳IV值區間的箱子個數（盡量提高每個特征的重要性），並且使得該特征的箱內相似，箱間差異大。因此步驟是這樣的：首先確定一個較大的分箱數，進行等頻分箱，計算各箱WOE值和特征的IV值，然后依據卡方檢驗值合並相似箱子，再次計算各箱WOE值以及該特征IV值，直到箱子數量變為一個較小值。畫出分箱數-IV值曲線，找出最佳分箱數和各箱邊界。
（3）對各個特征依據最佳分箱邊界進行分箱。分箱后得到特征的各箱邊界以及WOE值。
（4）處理訓練集和測試集的特征矩陣X。將特征矩陣中的值全部替換為對應箱子的WOE值。
（5）使用訓練集進行建模，使用測試集計算模型得分，並且利用學習曲線調整正則化系數C和最大迭代次數max_iter提高模型得分。
（6）制作評分卡。
根據該公式的值計算出系數A和B的值，根據邏輯回歸得到的截距lr.intercept_、各特征系數lr_coef_。用base_score = A - B*lr.intercept_公式計算該評分卡的基准值，用col_score = woeall["i_colName"] * (-B*lr.coef_[0][i])計算各特征的分數列表（每個箱子對應一個分數），其中woeall["i_colName"]是i特征的箱子邊界列表和對應的WOE值列表。
4、為什么要使用邏輯回歸制作評分卡？
評分卡制作其實就是將連續的特征離散化（分箱），且為每一個離散值賦一個分數（該箱的WOE值）。其中邏輯回歸的截距用於計算評分卡基准值；邏輯回歸系數表示各個特征在判別標簽時的重要程度；各箱的woe值用於邏輯回歸建模時代替特征矩陣X原始值帶入計算。