逻辑回归评分卡实现和评估
上一节讲得是模型评估，主要有ROC曲线、KS曲线、学习曲线和混淆矩阵。今天学习如何实现评分卡和对评分卡进行评估。
首先，要了解评分卡是如何从概率映射到评分的，这个之前写过评分卡映射的逻辑。一定要看，明白概率如何映射到评分的以及每个变量的得分如何计算。附上评分卡映射的代码。结合逻辑回归评分卡映射的原理才能看懂代码。
from sklearn.linear_model import LogisticRegression'''第六步：逻辑回归模型。要求：1，变量显著2，符号为负'''y = trainData['y']x = trainData[multi_analysis]lr_model = LogisticRegression(C=0.1)lr_model.fit(x,y)trainData['prob'] = lr_model.predict_proba(x)[:,1]# 评分卡刻度def cal_scale(score,odds,PDO,model): """ odds：设定的坏好比 score:在这个odds下的分数 PDO: 好坏翻倍比 model:逻辑回归模型 return :A,B,base_score """ B = PDO/np.log(2) A = score+B*np.log(odds) # base_score = A+B*model.intercept_[0] print('B: {:.2f}'.format(B)) print('A: {:.2f}'.format(A)) # print('基础分为：{:.2f}'.format(base_score)) return A,B #假设基础分为50，odds为5%，PDO为10，可以自行调整。这一步是为了计算出A和B。cal_scale(50,0.05,10,lr_model)def Prob2Score(prob, A,B): #将概率转化成分数且为正整数 y = np.log(prob/(1-prob)) return float(A-B*y)trainData['score'] = trainData['prob'].map(lambda x:Prob2Score(x, 6.78,14.43))
可以看到，评分越高，违约概率越低。网上很多实现评分卡映射的代码，都没太看懂,这个是根据逻辑来写的，有时间再把映射逻辑整理一下。
1. 得分的KS曲线
和模型的KS曲线一样，只不过横坐标的概率变成了得分。直接放上代码。
得分的KSdef plot_score_ks(df,score_col,target): """ df:数据集 target:目标变量的字段名 score_col:最终得分的字段名 """ total_bad = df[target].sum() total_good = df[target].count()-total_bad score_list = list(df[score_col]) target_list = list(df[target]) items = sorted(zip(score_list,target_list),key=lambda x:x[0]) step = (max(score_list)-min(score_list))/200 score_bin=[] good_rate=[] bad_rate=[] ks_list = [] for i in range(1,201): idx = min(score_list)+i*step score_bin.append(idx) target_bin = [x[1] for x in items if x[0]
2. PR曲线
还是这个混淆矩阵的图，P是查准率、精确率，R是查全率、召回率。这两个指标时既矛盾又统一的。因为为了提高精确率P，就是要更准确地预测正样本，但此时往往会过于保守而漏掉很多没那么有把握的正样本，导致召回率R降低。
同ROC曲线的形成一样，PR曲线的形成也是不断移动截断点形成不同的(R,P)绘制成一条线。
当接近原点时，召回率R接近于0，精确率P较高，说明得分前几位的都是正样本。随着召回率的增加，精确率整体下降，当召回率为1时，说明所有的正样本都被挑了出来，此时的精确率很低，其实就是相当于你将大部分的样本都预测为正样本。注意，只用某个点对应的(R,P)无法全面衡量模型的性能，必须要通过PR曲线的整体表现。此外，还有F1 score和ROC曲线也能反映一个排序模型的性能。
- PR曲线和ROC曲线的区别
当正负样本的分布发生变化时，ROC曲线的形状基本不变，PR曲线形状会发生剧烈变化。上图中PR曲线整体较低就是因为正负样本不均衡导致的。因为比如评分卡中坏客户只有1%，好客户有99%,将全部客户预测为好客户，那么准确率依然有99%。虽然模型整体的准确率很高，但并不代表对坏客户的分类准确率也高，这里坏客户的分类准确率为0，召回率也为0。
PR曲线def plot_PR(df,score_col,target,plt_size=None): """ df:得分的数据集 score_col:分数的字段名 target:目标变量的字段名 plt_size:绘图尺寸 return: PR曲线 """ total_bad = df[target].sum() score_list = list(df[score_col]) target_list = list(df[target]) score_unique_list = sorted(set(list(df[score_col]))) items = sorted(zip(score_list,target_list),key=lambda x:x[0]) precison_list = [] tpr_list = [] for score in score_unique_list: target_bin = [x[1] for x in items if x[0]<=score] bad_num="sum(target_bin)" total_num="len(target_bin)" precison="bad_num/total_num" tpr="bad_num/total_bad" precison_list.append(precison) tpr_list.append(tpr) plt.figure(figsize="plt_size)" plt.title('pr曲线') plt.xlabel('查全率') plt.ylabel('精确率') plt.plot(tpr_list,precison_list,color="tomato" ,label="PR曲线" ) plt.legend(loc="best" return plt.show()< code></=score]>
3.得分分布图
理想中最好的评分卡模型应该是将好坏客户完全区分出来，但是实际中好坏用户的评分会有一定的重叠，我们要做的尽量减小重叠。
另外好坏用户的得分分布最好都是正态分布，如果呈双峰或多峰分布，那么很有可能是某个变量的得分过高导致，这样对评分卡的稳定性会有影响。
得分分布图def plot_score_hist(df,target,score_col,plt_size=None,cutoff=None): """ df:数据集 target:目标变量的字段名 score_col:最终得分的字段名 plt_size:图纸尺寸 cutoff :划分拒绝/通过的点 return :好坏用户的得分分布图 """ plt.figure(figsize=plt_size) x1 = df[df[target]==1][score_col] x2 = df[df[target]==0][score_col] sns.kdeplot(x1,shade=True,label='坏用户',color='hotpink') sns.kdeplot(x2,shade=True,label='好用户',color ='seagreen') plt.axvline(x=cutoff) plt.legend() return plt.show()
4.得分明细表
按分数段区分，看不同分数段的好坏样本情况、违约率等指标。
可以看到高分段的违约概率明显比低分段低，说明评分卡的效果是显著的。
得分明细表def score_info(df,score_col,target,x=None,y=None,step=None): """ df:数据集 target:目标变量的字段名 score_col:最终得分的字段名 x:最小区间的左值 y:最大区间的右值 step:区间的分数间隔 return :得分明细表 """ df['score_bin'] = pd.cut(df[score_col],bins=np.arange(x,y,step),right=True) total = df[target].count() bad = df[target].sum() good = total - bad group = df.groupby('score_bin') score_info_df = pd.DataFrame() score_info_df['用户数'] = group[target].count() score_info_df['坏用户'] = group[target].sum() score_info_df['好用户'] = score_info_df['用户数']-score_info_df['坏用户'] score_info_df['违约占比'] = score_info_df['坏用户']/score_info_df['用户数'] score_info_df['累计用户'] = score_info_df['用户数'].cumsum() score_info_df['坏用户累计'] = score_info_df['坏用户'].cumsum() score_info_df['好用户累计'] = score_info_df['好用户'].cumsum() score_info_df['坏用户累计占比'] = score_info_df['坏用户累计']/bad score_info_df['好用户累计占比'] = score_info_df['好用户累计']/good score_info_df['累计用户占比'] = score_info_df['累计用户']/total score_info_df['累计违约占比'] = score_info_df['坏用户累计']/score_info_df['累计用户'] score_info_df = score_info_df.reset_index() return score_info_df
5.提升图和洛伦兹曲线
假设目前有10000个样本，坏用户占比为30%，我们做了一个评分卡(分数越低，用户坏的概率越高)，按照评分从低到高划分成10等份(每个等份用户数为1000)，计算每等份的坏用户占比，如果评分卡效果很好，那么越靠前的等份里，包含的坏用户应该越多，越靠后的等份里，包含的坏用户应该要更少。作为对比，如果不对用户评分，按照总体坏用户占比30%来算，每个等份中坏用户占比也是30%。将这两种方法的每等份坏用户占比放在一张柱状图上进行对比，就是提升图。
将这两种方法的累计坏用户占比放在一张曲线图上，就是洛伦兹曲线图。
此外，洛伦兹曲线可以比较两个评分卡的优劣，例如下图中虚线对应的分数假设是600分，那么在600分这cutoff点下，A和B的拒绝率都是40%，但A可以拒绝掉88%的坏用户，B只能拒掉78%的坏用户，说明A评分卡的效果更好。
绘制提升图和洛伦兹曲线def plot_lifting(df,score_col,target,bins=10,plt_size=None): """ df:数据集，包含最终的得分 score_col:最终分数的字段名 target:目标变量名 bins:分数划分成的等份数 plt_size:绘图尺寸 return:提升图和洛伦兹曲线 """ score_list = list(df[score_col]) label_list = list(df[target]) items = sorted(zip(score_list,label_list),key = lambda x:x[0]) step = round(df.shape[0]/bins,0) bad = df[target].sum() all_badrate = float(1/bins) all_badrate_list = [all_badrate]*bins all_badrate_cum = list(np.cumsum(all_badrate_list)) all_badrate_cum.insert(0,0) score_bin_list=[] bad_rate_list = [] for i in range(0,bins,1): index_a = int(i*step) index_b = int((i+1)*step) score = [x[0] for x in items[index_a:index_b]] tup1 = (min(score),) tup2 = (max(score),) score_bin = tup1+tup2 score_bin_list.append(score_bin) label_bin = [x[1] for x in items[index_a:index_b]] bin_bad = sum(label_bin) bin_bad_rate = bin_bad/bad bad_rate_list.append(bin_bad_rate) bad_rate_cumsum = list(np.cumsum(bad_rate_list)) bad_rate_cumsum.insert(0,0) plt.figure(figsize=plt_size) x = score_bin_list y1 = bad_rate_list y2 = all_badrate_list y3 = bad_rate_cumsum y4 = all_badrate_cum plt.subplot(1,2,1) plt.title('提升图') plt.xticks(np.arange(bins)+0.15,x,rotation=90) bar_width= 0.3 plt.bar(np.arange(bins),y1,width=bar_width,color='hotpink',label='score_card') plt.bar(np.arange(bins)+bar_width,y2,width=bar_width,color='seagreen',label='random') plt.legend(loc='best') plt.subplot(1,2,2) plt.title('洛伦兹曲线图') plt.plot(y3,color='hotpink',label='score_card') plt.plot(y4,color='seagreen',label='random') plt.xticks(np.arange(bins+1),rotation=0) plt.legend(loc='best') return plt.show()plot_lifting(trainData,'score','y',bins=10,plt_size=(10,5))
6.设定cutoff
cutoff即根据评分划分通过/拒绝的点，其实就是看不同的阈值下混淆矩阵的情况。设定cutoff时有两个指标，一个是误伤率，即FPR，就是好客户中有多少被预测为坏客户而拒绝。另一个是拒绝率，就是这样划分的情况下有多少客户被拒绝。
设定cutoff点，衡量有效性def rule_verify(df,col_score,target,cutoff): """ df:数据集 target:目标变量的字段名 col_score:最终得分的字段名 cutoff :划分拒绝/通过的点 return :混淆矩阵 """ df['result'] = df.apply(lambda x:30 if x[col_score]<=cutoff else 10,axis="1)" tp="df[(df['result']==30)&(df[target]==1)].shape[0]" fn="df[(df['result']==30)&(df[target]==0)].shape[0]" bad="df[df[target]==1].shape[0]" good="df[df[target]==0].shape[0]" refuse="df[df['result']==30].shape[0]" passed="df[df['result']==10].shape[0]" acc="round(TP/refuse,3)" tpr="round(TP/bad,3)" fpr="round(FN/good,3)" pass_rate="round(refuse/df.shape[0],3)" matrix_df="pd.pivot_table(df,index='result',columns=target,aggfunc={col_score:pd.Series.count},values=col_score)" print('精确率:{}'.format(acc)) print('查全率:{}'.format(tpr)) print('误伤率:{}'.format(fpr)) print('规则拒绝率:{}'.format(pass_rate)) return matrix_df< code></=cutoff>
Original: https://blog.csdn.net/weixin_31235909/article/details/112483413
Author: 红豆小漫
Title: 回归模型的score得分为负_逻辑回归评分卡实现和评估
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/635284/
转载文章受原作者版权保护。转载请注明原作者出处！