安装说明
模型训练
(资料图)
模型结果
评分卡
各变量类型以及IV值
连续变量的切分点
模型效果检验
预测
补充-模型调试
变量IV值以及分箱分析
模型效果分析
补充-包的参数解释
包已上传至PYPI官网,详见CreditScoreModel包
首次使用可以直接使用以下代码安装
对应的变量中文名
[‘变量名’, ‘变量类型’, ‘切分点’, ‘切分分组’, ‘y为1的数量’, ‘y为0的数量’, ‘总数’, ‘y为1的数量占比’, ‘y为0的数量占比’, ‘总数占比’,‘y为1占总数比例’, ‘woe’, ‘各分组iv’, ‘变量iv值’, ‘logistic参数col_coef’, ‘logistic参数lr_intercept’, ‘分组分数’]
_card
_type_iv
_continuous_cut_points
_roc_ks(data_train,_card)
_roc_ks(data_test,_card)
_score_proba(data_test,_card)
37500 rows × 7 columns
#默认决策树分箱_col_woe_iv(data,'age')
C:\ProgramData\Anaconda3\lib\site-packages\CreditScoreModel\: RuntimeWarning: divide by zero encountered in logresult['woe'] = (result['1_pct'] / result['0_pct']) # WOE
# 不输出具体数据_col_woe_iv(data,'age',[-inf,20,30,40,inf],return_data=False)
转载:/csqazwsxedc/article/details/87982257
一行代码搞定信用评分模型(python)就为大家介绍到这里,give me some credit完整视频教学和代码下载请参考《python信用评分卡建模(附代码)》
标签:
内容搜集整理于网络,不代表本站同意文章中的说法或者描述。文中陈述文字和内容未经本站证实,其全部或者部分内容、文字的真实性、完整性、及时性本站不做任何保证或者承诺,并且本站对内容资料不承担任何法律责任,请读者自行甄别。如因文章内容、版权和其他问题侵犯了您的合法权益请联系邮箱:5 146 761 13 @qq.com 进行删除处理,谢谢合作!