DataScience：风控场景之金融评分卡模型构建—将逻辑回归LoR模型结果转为评分卡之详细攻略 金融评分卡模型构建—将逻辑回归LoR模型结果转为评分卡 1、模型结果转换为标准评分卡步骤 2、实际案例应用 金融评分卡模型构建—将逻辑回归LoR模型结果转为评分卡 1、模型结果转换为标准评分卡步骤 借助逻辑回归模型，评分卡所设定的分值刻度，可通过将分值表示为比率对数的线性表达式来定义。 在建立评分卡模型时，我们经常会使用逻辑回归来对数据进行建模。但在用逻辑回归进行预测时，逻辑回归返回的是一个概率值，并不是评分卡分数。下面为大家介绍如何将模型结果转换为标准评分卡。

评分卡数据集rankingcard.csv 逻辑回归 制作评分卡时用到的数据

Python评分卡，个人代码使用的数据https://editor.csdn.net/md/?not_checkout=1&spm=1000.2115.3001.5352

简介 URule是一种纯Java规则引擎，它以RETE算法为基础，提供向导式规则集，脚本式规则集，决策表，交叉决策表（PRO版提供），决策树，评分卡及决策流共六种类型的规则定义方式，配合基于WEB的设计器，可快速实现规则的定义，维护与发布。 URule提供了两个版本：一个是基于Apache-2.0协议开源免费版本的，URule开源版本第一款基于Apache-2.0协议开源的中式规则引擎；另一个是商用PRO版本，请了解更多关于URule商业Pro版更多信息。 URULE PRO版与开源版主要功能比较 特性 URULE PRO版 URULE开源版 向导式决策集 有 有 脚本式决策集 有 有 决

信用风险评分卡研究-课本中涉及的所有SAS 代码源文件，好资源

压缩包包含数据和代码，数据来自kaggle竞赛平台上的give me some credit上的竞赛项目。项目主要目标是提升auc和ks值，使用多种模型对比，最终算出最好的模型

推荐给做评分卡和做类似模型的同学。从头到尾介绍得非常细致，作者之前还写了一本很棒的书是数据挖掘数据准备，两本书共同的特点是附带了完整的SAS宏代码，让人觉得超级实在。

信用风险计量体系包括主体评级模型和债项评级两部分。主体评级和债项评级均有一系列评级模型组成，其中主体评级模型可用“四张卡”来表示，分别是A卡、B卡、C卡和F卡；债项评级模型通常按照主体的融资用途，分为企业融资模型、现金流融资模型和项目融资模型等。 A卡，又称为申请者评级模型，主要应用于相关融资类业务中新用户的主体评级，适用于个人和机构融资主体。 B卡，又称为行为评级模型，主要应用于相关融资类业务中存量客户在续存期内的管理，如对客户可能出现的逾期、延期等行为进行预测，仅适用于个人融资主体。 C卡，又称为催收评级模型，主要应用于相关融资类业务中存量客户是否需要催收的预测管理，仅适用于个人融资主体。 F卡，又称为欺诈评级模型，主要应用于相关融资类业务中新客户可能存在的欺诈行为的预测管理，适用于个人和机构融资主体。 我们主要讨论主体评级模型的开发过程。

评分卡 cs-training.csv

基于Python的信用评分卡建模分析-附件资源