原文鏈接 https://blog.csdn.net/LuYi_WeiLin/article/details/87907948
（八）行為評分卡模型（B卡）的介紹
在信貸業務中，評分卡分為三種：
申請評分卡(A卡)
行為評分卡(B卡)
催收評分卡(C卡)
本篇我們來學習一下行為評分卡(B卡)，首先什么是行為評分卡呢，行為評分卡的使用場景以及目的，適用的信貸產品？
其中特別注意一下，不適合先息后本的信貸產品，因為每個月的違約概率不一樣，不好預測
觀察期和表現期
學習行為評分卡之前，要了解一些概念，什么是觀察期和表現期，什么是觀察點
觀察期觀察的是行為，表現期預測表現好壞
P（表現期好壞/觀察期行為）
這里要注意一下，假如我們定義表現壞客戶為M3+，觀察期時間窗口為12個月，則起碼要收集12+3個月的數據
當然觀察點也不宜太長，因為不到MOB的客戶，不能進入行為評分卡中，會丟失大量重要數據
當此刻的時間滿足了MOB但是不滿足觀察期，也可以構建B卡，但是有一些變量表現效果不怎么好（因為和每個變量的收集間隔有關，間隔長的變量收集得太少，表現自然不佳）
講完了觀察期和表現期，我們就來講一下信用評分卡常用的特征構造，特征構造之前我們來學習一個定義：時間切片
特征構造
一般有以下幾類特征
還款率類型的特征
額度使用率類型的特征
逾期類型的特征
這里注意一下，不能用輕度逾期去預測輕度逾期，不能用重度逾期去預測重度逾期，這里的目標變量是DPD（day past due）90，變量可以是DPD60、DPD30等
消費類型的特征（每一筆消費有具體詳細可以做）
三方機構（社交數據、出行數據）
下面就來講解一下行為評分卡建立模型的步驟（和申請評分卡差不多）
數據預處理
特征衍生
特征處理與篩選
特征挑選
變量分箱
模型的參數估計（邏輯回歸模型）
添加完所有變量后，邏輯回歸結果如下圖所示，還是存在P值不顯著情況，單獨拿去這些變量一個一個與目標變量進行邏輯回歸檢驗其顯著性
也就是挑選4個GBDT模型最重要的變量進行邏輯回歸后，發現其邏輯回歸系數為負，之后我們按照GBDT模型變量重要性降序順序一個一個往里面加，每加一個，進行一次邏輯回歸，發現存在邏輯回歸系數為正的，就可以把該變量剔除
邏輯回歸要求系數為負而且P值要顯著，我們使用外生模型GBDT估計模型重要性
所以，我們使用LASSO再次進行變量挑選
模型的性能測試
概率轉換為分數
python金融風控評分卡模型和數據分析微專業課（博主親自錄制視頻）：http://dwz.date/b9vv
歡迎關注博主主頁，學習python視頻資源，還有大量免費python經典文章
機器學習，統計項目可聯系QQ：231469242