信用卡评分模型分析-‘好/坏’客户的概率

本文主要是通过选取信用卡客户的历史数据信息特征之间的关联，建立可以评价客户‘好/坏’的概率模型，进而对新增客户的‘品质‘’有个综合评估，最终给一个概率值，概率值越大代表违约风险越高。

本文结构分为以下几块内容：数据准备及数据预处理、变量选择、模型构建、模型验证、模型评估。

1.数据准备及数据预处理。

本文数据来源kaggle竞赛Give Me Some Credit。其中训练数据共计15万条。

字段名和其含义称分别是：

1.1空值处理

通过pandas.describe（）对原数据有个大致了解后发现，MonthlyIncome（月收入）及NumberOfDependents（家属数量）两个变量出现了缺失值。

由于MonthlyIncome缺失值达到29731条数据，占比较大，因此不能直接将缺失值删除，选择随机森林法填充。

NumberOfDependents的缺失较少，对数据影响不大，因此直接删除。

随机森林法填充：

使用dropna（）函数删除空值，使用drop_duplicates()删除重复值，保留第一个。

1.2异常值删除

在本文中，采用各个单变量离群值检测来判断异常值，采用箱线图。

比如年龄超过100岁以及小于0岁的直接删除；可用额度比值和负债比率大于1的直接删除；所有逾期日期段的次数大于10的直接删除，箱线图上显示有98次和97次两个。

2.变量分析。

2.1 单独分析‘好/坏’客户占比分布，发现坏客户占比7.1%。

2.2分析月收入和违约客户数量之间的关系。

2.3家庭数量和违约客户数量之间的关系。

2.4年龄和违约客户数量之间的关系。

2.5多变量分析。使用corr()函数分析多个变量之间的关系。

3.0主特征筛选和构建模型。

3.1本文采用IV值大小来筛选模型变量。

我们定义IV值低于0.2的特征为预测能力较弱或无关特征，因此将DebtRatio等五个变量删除。

3.2特征分箱。根据IV值计算得出，五个特征变量。

3.3将筛选后的特征变量进行WOE转换，目的是减少逻辑回归的自变量处理量。

3.4逻辑回归预测客户好坏的概率值。

3.4模型检验。

测试成绩0.933。