
上QQ阅读APP看书,第一时间看更新
2.3.7 模型应用
由于逻辑回归输出的是[0,1]区间内的概率,不利于业务人员直接使用,因而我们还需要做分数映射,得到最终的评分卡模型。传统的评分卡模型遵从如下映射公式:

其中Score代表模型最终输出的分数,Odds代表该分数对应的好坏比,A和B是需要确定的参数。
通常我们希望评分卡模型分数每隔一个固定值则对应的好坏比可以加倍,由此得到下式:

其中PDO(Point Double Odds)代表分数间隔的固定值。求解上式可得:

这里Score和PDO均可以根据业务人员的要求来调整。
对于映射后评分卡模型的使用,业务人员通常会考虑逾期率和核准率两方面,在逾期率满足条件的情况下,确定评分卡模型的阈值,使得核准率最优。在捷信客户评分卡模型案例中,令Score=600,Odds=10,PDO=20,代入公式(2-18)和公式(219)中求得A和B,进而将A和B代入公式(2-16)计算得到每个客户的信用评分。以每20分作为区间长度,观察测试集上每个区间内的逾期率和核准率,如表2-10所示。
表2-10 捷信客户评分卡模型分数分布

(续)
