梯度提升决策树（Gradient Boosting Decision Tree，GBDT）算法是近年来被提及比较多的一个算法，这主要得益于其算法的性能，以及该算法在各类数据挖掘以及机器学习比赛中的卓越表现，有很多人对GBDT算法进行了开源代码的开发，比较火的是陈天奇的XGBoost和微软的LightGBM

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。

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。

互金行业风控策略和评分卡模型

GBDT作为近年很热门的模型，其性能非常突出，用途也是涵盖了从特征选择到分类、回归，被广大从业者和爱好者所使用。

基于python的申请评分卡模型，训练，测试数据集 application.csv

1. 构建信用风险类型的特征 2. 特征的分箱 分箱的优点 Best-KS分箱法和卡方分箱法 3. 特征信息度的计算和意义

行为评分卡模型的特征构造

信贷评分卡模型所需要的数据源，3000调数据，里面不涉及任何个人隐私

（七）Python申请评分卡模型建立（图文+代码实现）的数据集