简介：基于机器学习的信用风险等级评分系统，聚焦信用卡申请审批与信贷风控场景，面向银行、消费金融及互联网金融从业者，通过对申请人历史数据进行预处理、特征工程与建模，输出可解释的风险等级评估结果，辅助业务方科学决策。资源包共4个文件，包括Python源码、Jupyter Notebook交互式脚本、训练数据csv及说明文档md，整体大小18.19MB，结构紧凑，便于直接下载后按文档指引运行调试。学习热度方面，已有149人学习下载，适合正在搭建信用评分模型或准备入门金融风控的读者参考。内容覆盖完整建模流程：自动识别数值/类别变量、标签编码与分箱处理，并集成EDA单变量与多变量分析；模型层面支持逻辑回归、随机森林、XGBoost等算法，提供准确率、召回率、F1、AUC等指标，以及混淆矩阵、ROC曲线、KS曲线可视化。同时结合toad评分卡工具，可迁移为完整信用评分卡系统，提升自动化审批效率，满足监管可解释性要求。
1. 信用风险等级评分系统：一套能落地的完整建模流程
信用风险等级评分是信贷、保险、租赁甚至企业应收管理里最常见的风控动作。网上讲算法的文章很多，但真到动手阶段，选型怎么定、变量怎么处理、分数怎么映射到等级，很少有人一次说透。这套“基于机器学习信用风险等级评分系统”真正解决的问题，是把一份原始信贷数据变成一套可解释、可上线、能对应到业务等级的评分卡，而不是只给你一个黑匣子预测概率。适合正在做风控建模、想从评分卡转向机器学习、或者需要给业务方交付可解释规则的从业者。看完这份拆解，你能顺着步骤走一遍数据清洗、WOE编码、模型训练到分数映射的完整链路。
2. 模型选型与数据准备：为什么评分卡要选逻辑回归
2.1 逻辑回归、随机森林与XGBoost的取舍
信用评分领域之所以长期以逻辑回归为底座，核心原因不是它精度最高，而是它的可解释性和稳定性。随机森林、XGBoost这类树模型在AUC上通常能压逻辑回归一头，但在信用审批场景里，监管要求必须说清楚“这个人为什么被拒”，逻辑回归天然能满足这个诉求。实际项目里，更常见的做法是先用树模型做变量筛选，再用逻辑回归做最终评分卡，两边互补。
这套系统的设计思路就是这样：模型训练部分同时保留逻辑回归和XGBoost的接口，逻辑回归用于最终评分卡生成，XGBoost用于对照验证效果。我在实际项目里也推荐这个组合，理由有三点：一是逻辑回归的系数可以直接换算成对应特征的加分幅度，业务方容易接受；二是树模型能自动处理非线性关系，在特征筛选阶段能帮忙找到被忽略的交叉变量；三是两套模型对比上线，可以避免单一模型过拟合带来的误判。
数据准备上，首先要把样本定义清楚。评分卡建模的样本通常分为“观察期”和“表现期”，观察期取过去6到12个月的特征数据，表现期取其后3到6个月的还款表现。样本标签不是简单的“是否逾期”，而是需要结合逾期天数、拖欠金额占比、历史还款记录做多维度定义。这套系统的默认标签规则是表现期内逾期超过90天记为坏客户，逾期30天以内的记为边缘客户，其余为好客户。
2.2 候选特征池的构建原则
特征工程的起点不是堆变量，而是建立一个业务上说得通的候选池。常见的数据源包括用户基础信息（年龄、性别、学历、婚姻状况）、收入负债类（月收入、负债收入比）、征信类（查询次数、逾期次数、授信额度使用率）、行为类（近6个月消费波动、还款提前天数均值）。
这里必须提醒一点：特征和标签之间的时间窗口不能重叠。比如你用的是观察期内的消费数据，标签必须取自观察期之后的还款表现，否则就是用了未来信息，模型在验证集上表现再好，上线后也会大幅衰减。这套系统的特征池里专门做了时间切分配置，feature_start_date和label_end_date之间留出至少90天的表现期，算是一个很务实的细节。
变量类型上，区分数值型、有序分类和无序分类。年龄、收入这些直接入模前需要做分箱；婚姻状况、职业这类无序分类用one-hot编码或者直接归并为“好/中/差”三档。缺失值处理在信贷数据里尤其重要，征信数据源普遍存在字段缺失，常见的做法是单独分箱，把“缺失”本身当作一个信息等级，而不是简单填充。
3. 特征工程与WOE编码：把原始字段变成可解释的模型输入
3.1 分箱策略与边界处理
评分卡建模里，分箱是最基础也是影响最大的步骤。分箱的目的有三层：第一，把连续变量离散化，降低模型的非线性拟合难度；第二，让极端值不再直接冲击模型；第三，每个分箱对应一个WOE值，方便后续计算分数。
分箱方式我一般分三步走。第一步用等频分箱做初始边界，比如年龄字段按十分位切；第二步检查每个箱内好坏样本占比，如果出现某个箱的坏样本率为0，需要和相邻箱合并；第三步根据业务含义微调边界，例如年龄的18到22岁、23到30岁、31到45岁、46到55岁、55岁以上，这样既符合信贷业务常识，又保证了单调性。
import pandas as pd import numpy as np # 等频分箱函数：把连续变量分成指定箱数，并输出边界 def freq_binning(series, bins=10): try: # pd.qcut 按分位数等频分箱，duplicates='drop' 避免边界重复 cut, bins_edges = pd.qcut(series, q=bins, retbins=True, duplicates='drop') return bins_edges except ValueError: # 如果数据分布极端导致无法分箱，退化为等宽分箱 print(f"字段 {series.name} 等频分箱失败，改用等宽分箱") return np.linspace(series.min(), series.max(), bins + 1) # 生成年龄字段的分箱边界 age_edges = freq_binning(df['age'], bins=8) print("年龄分箱边界:", age_edges)这段代码的逻辑是优先用分位数分箱，让每个箱内样本量近似相等，避免某些箱样本过少导致WOE值不稳定。当数据分布极端（比如大量相同值）导致分位数分箱抛错时，自动降级为等宽分箱。参数bins=8表示分成8箱，实际使用中可以根据变量分布调整，信息量大的核心变量可以分到10到15箱，次要变量控制在5箱以内。分箱完成后再人工检查边界是否符合业务常识。
3.2 WOE与IV的计算实现
WOE（Weight of Evidence）是评分卡的核心转换方式，它表达的是“这个分箱内的坏客户比例相对于整体坏客户比例的高低”。公式是WOE = ln(坏样本占比 / 好样本占比)。WOE为正说明该箱内坏客户浓度高于整体水平，为负则相反。进入模型之前把原始字段替换成WOE值，模型输出的每个系数乘上对应字段的WOE，再累加换算成信用分。
IV（Information Value）用来衡量变量预测力，等于每个分箱WOE乘以好坏占比差值后的累加。IV低于0.02的变量基本可以丢弃，0.02到0.1之间为弱预测力，0.1到0.3之间为中等，0.3以上为强预测力。但IV值高不等于可以无脑入模，还要看变量覆盖率、稳定性、业务含义是否通顺。
def calc_woe_iv(df, feature, target): """ 计算单个特征的WOE和IV值 df: 数据框 feature: 分箱后的特征列名 target: 标签列名，1为坏客户，0为好客户 """ total_good = df[target].value_counts().get(0, 0) total_bad = df[target].value_counts().get(1, 0) grouped = df.groupby(feature)[target].agg(['count', 'sum']) grouped.columns = ['total', 'bad'] grouped['good'] = grouped['total'] - grouped['bad'] # 计算好坏占比，分母加 0.5 做平滑，避免出现 0 导致取对数报错 grouped['bad_pct'] = (grouped['bad'] + 0.5) / (total_bad + 0.5) grouped['good_pct'] = (grouped['good'] + 0.5) / (total_good + 0.5) grouped['woe'] = np.log(grouped['bad_pct'] / grouped['good_pct']) grouped['iv'] = (grouped['bad_pct'] - grouped['good_pct']) * grouped['woe'] return grouped['woe'], grouped['iv'].sum()这段代码的关键点在平滑参数0.5，它的作用是避免某个分箱内好或坏客户数量为0时，good_pct或bad_pct等于0导致np.log(0)报错。target列为1表示坏客户，对应信贷业务里表现期逾期90天以上的样本。计算完成后，iv.sum()就是该特征的整体IV值，用来做变量筛选排序。
4. 模型训练与评分映射：把概率转换成分数卡
4.1 训练集与验证集的切分策略
数据切分的思路和一般机器学习任务不完全一样。评分卡模型除了要随机切分，还必须考虑时间顺序。假设你手里的数据范围是2019年到2022年，训练集最好用较早的年份（比如2019到2020年），验证集用较晚的年份（2021到2022年），这样能真实模拟“用过去预测未来”的线上场景。单纯随机切分会让模型无意中学习到时间趋势，线上效果打折。
切分比例我常用7:3，同时保持好坏样本比例在训练集和验证集中大致一致，用分层抽样实现。注意不要直接调用train_test_split默认的随机切分参数，需要显式传入stratify=y和random_state，保证每次实验可复现。
from sklearn.model_selection import train_test_split # X_woe 是已经完成WOE编码后的特征矩阵，y 是0/1标签 X_train, X_val, y_train, y_val = train_test_split( X_woe, y, test_size=0.3, stratify=y, random_state=42 ) print(f"训练集样本量: {X_train.shape[0]}, 验证集样本量: {X_val.shape[0]}") print(f"训练集坏客户占比: {y_train.mean():.4f}, 验证集坏客户占比: {y_val.mean():.4f}")stratify=y是这里最关键的参数，它告诉切分函数在切分时维持标签的原始分布。如果不加这个参数，恰好把大部分坏客户切到训练集或验证集，都会导致模型评估失真。random_state=42固定随机种子，方便A/B实验对比。跑完这段代码可以看一眼训练集和验证集的坏客户占比是否接近，差别超过0.5个百分点就要检查数据排序是否存在问题。
4.2 逻辑回归训练与系数解读
完成WOE编码之后，进入模型训练阶段。逻辑回归在这个阶段要做的不是调复杂超参数，而是控制好正则化强度，避免系数爆炸。信贷数据经过WOE编码后，特征之间的量纲已经统一，但某些相关性强的变量仍然会带来多重共线性问题，这里用L2正则化可以很好地稳定系数。
from sklearn.linear_model import LogisticRegression model = LogisticRegression( penalty='l2', C=1.0, solver='liblinear', class_weight='balanced', max_iter=200 ) model.fit(X_train, y_train) print("模型截距:", model.intercept_[0]) for feature, coef in zip(X_train.columns, model.coef_[0]): print(f"{feature}: {coef:.4f}")参数C=1.0是正则化强度的倒数，C越小正则化越强、系数越向0收缩。如果验证集AUC比训练集低很多，可以把C调小到0.5或0.1再试。class_weight='balanced'是处理样本不均衡的快捷方式，当坏客户占比低于10%时，这个参数会自动调整类别权重，让模型不会把所有样本都预测成好客户。solver='liblinear'适合中小规模数据，收敛速度快；数据量超过百万行可以换成lbfgs。max_iter=200防止迭代次数不足导致模型未收敛。
系数解读的逻辑回归输出需要结合WOE的方向一起看。如果某个字段的WOE值越大代表坏客户占比越高，那对应系数就应该是负的，表示该箱位会拉低信用分。这个方向必须和业务直觉一致，如果有变量系数方向和业务理解相反，优先检查WOE编码方向或数据是否泄露，不要盲目调整数据。
4.3 评分卡分数映射公式与等级划分
评分卡输出概率后，最后一步是把概率映射成业务可用的整数分数。业界用得最多的映射公式是：
Score = Offset + Factor * ln(Odds)
其中Odds = p / (1 - p)，p是模型预测的坏客户概率。确定Offset和Factor需要业务上先约定两个锚点：基准Odds对应的分数，以及Odds翻倍时分数增加的幅度PDO（Point of Double Odds）。常见约定是Odds为1:20时分数为600分，Odds每翻一倍分数增加50分（即PDO=50）。
这段映射优先级很高，因为模型输出的是概率，业务方需要的是“多少分以上可以自动通过，多少分以下直接拒绝”。分数映射不用每次都从头算，可以写一个固定公式：
import math def prob_to_score(p, base_odds=20, base_score=600, pdo=50): """ 将模型预测概率转换为标准评分卡分数 p: 模型预测的坏客户概率 base_odds: 基准Odds，默认1:20 base_score: 基准Odds对应的分数，默认600 pdo: Odds翻倍时分数增量，默认50 """ odds = p / (1 - p) factor = pdo / math.log(2) offset = base_score - factor * math.log(base_odds) score = offset + factor * math.log(odds) return round(score) # 示例：预测坏客户概率为 0.03 sample_score = prob_to_score(p=0.03) print(f"预测概率0.03对应的信用分数: {sample_score}")pdo是整个评分映射里最值得关注的参数。PDO设置得越大，分数对风险变化的敏感度越高；实际银行常用PDO在40到60之间，这个系统默认50是一个折中。映射完成后，还要把分数切分到等级。比如低于480分定为D级直接拒绝，480到580分定为C级人工复核，580到680分定为B级通过但降低额度，高于680分定为A级正常通过。切分阈值不是拍脑袋定的，而是根据验证集里各分数段的坏客户率绘制KS曲线后选择拐点。
5. 常见问题与排查：五个必踩的坑
5.1 模型AUC很高但分数区分度很差
现象：训练集AUC达到0.82，按分数分档后发现高分段的坏客户率和低分段差别不大，业务上完全没法用。
原因：最常见的是使用了未来信息，比如把表现期内的还款行为作为特征参与训练。这种数据泄露会让AUC虚高，但换到真实线上场景（此时未来数据不存在）模型立刻失效。另一个可能是样本标签定义过于宽松，好客户里混入了大量事实上已经逾期的边缘客户。
解决：检查特征字段的时间窗口，逐一确认每个特征是在观察期内计算的。用特征重要性和系数方向做人为审查，凡是训练集效果奇好、但业务说不过去的特征先剔除再做一轮实验。
5.2 WOE分箱出现非单调趋势且不合业务逻辑
现象：年龄字段分箱后，WOE走势是18到25岁坏客户率高，26到40岁低，41到50岁又升高，50岁以上再降低，整体呈U型，业务上说不通。
原因：分箱过细导致部分箱样本量不足，WOE值受偶发坏客户影响大幅波动。或者样本本身存在选择偏差，覆盖的客群结构和使用场景不一致。
解决：建议该字段做人工合并箱位，让相邻的业务含义相似的箱合并，再重新计算WOE。合并后如果U型趋势依旧存在，需要结合业务方判断是否年龄和风险本来就是非线性关系，此时可以考虑做交叉特征而不是强行追求单调性。
5.3 线上评分分布和训练期漂移
现象：模型上线两周后发现，用户平均分数比训练期高了30分，原本设定600分为通过线，现在大量边缘客户涌入通过区间。
原因：客群结构变化或风控策略收紧导致当前进件人群和建模时点不一致。如果建模样本里包含了审批通过后被拒绝的样本，线上分数分布也会天然偏向高分段，因为模型没见过这些拒绝人群。
解决：上线前必须记录训练集分数分布的均值和标准差，监控系统里写入PSI（Population Stability Index）。PSI超过0.1需要关注，超过0.25说明分布漂移严重，要重新校准模型或做版本迭代。
5.4 缺失值处理不当导致变量失效
现象：字段A在训练集缺失率5%，模型系数显著；上线后缺失率飙到40%，该变量失去区分能力。
原因：线上数据源供应商变更或采集链路改动，导致字段覆盖率下降。WOE编码时缺失单独分箱，但缺失箱的WOE值在训练集和线上差异巨大。
解决：上线前评估每个变量的覆盖率波动容忍度，对覆盖率低于80%的字段不直接入模或降低权重。缺失箱的WOE值需要设置上限，比如不超过正负0.5，避免极端WOE对分数造成过大冲击。
5.5 模型过拟合到预处理逻辑而不是业务信号
现象：模型在开发集上验证集AUC有0.78，但换一批新数据AUC骤降到0.62。
原因：分箱是在全量数据上做的，然后才切分训练集和验证集，导致验证集信息泄露到分箱过程中。这属于典型的预处理过拟合，分箱边界和WOE值都包含了验证集信息。
解决：把分箱步骤放进交叉验证循环里，每一折只基于训练折内数据做分箱和WOE编码，再应用到验证折上。计算成本会上升，但换来的泛化性提升非常值得。实际项目里我至少会用时间序列切分验证一轮，而不是只看一次随机切分的结果。
6. 进阶技巧：模型监控与评分阈值校准
评分卡不是一次性交付物，上线之后要持续维护。很多团队把精力全放在建模阶段，上线后无人跟进，等发现问题时坏账率已经上去了。我养成的习惯是上线第一天就建立三张监控表：日均分数分布趋势、各分数段坏客户率滚动变化、特征覆盖率波动。
def calculate_psi(expected_dist, actual_dist): """ 计算PSI，评估线上分数分布和训练期分布的偏移程度 expected_dist: 训练期各分箱的样本占比列表 actual_dist: 当前各分箱的样本占比列表 """ psi_value = 0 for exp, act in zip(expected_dist, actual_dist): # 占比为0时用极小值替换，避免除以0报错 exp = exp if exp > 0 else 1e-6 act = act if act > 0 else 1e-6 psi_value += (exp - act) * math.log(exp / act) return psi_value # 分数区间分布示例 score_bins = ['<480', '480-580', '580-680', '>680'] expected_pct = [0.08, 0.32, 0.45, 0.15] actual_pct = [0.05, 0.25, 0.50, 0.20] result = calculate_psi(expected_pct, actual_pct) print(f"当前PSI: {result:.4f}")PSI大于0.25时不要急着重新训练模型，先确认是客群结构变化还是数据质量问题。我曾经处理过一个案例，PSI飙升的原因是外部数据源在两天内更新了查询次数的统计口径，字段分布整体后移，模型被动跟着变化。修正数据口径后PSI回落正常，根本不需要重训。
评分阈值校准方面，几个关键动作。第一，每月更新一次滚动坏客户率曲线，把分数分档重新和实际表现挂钩。第二，跟踪通过率，如果评分分布稳定但通过率下降，说明阈值之外的策略发生变化。第三，关注增益曲线，验证模型在人工干预较少的情况下是否仍然保持排序能力。
这套系统的设计里还留了一个值得研究的方向：用XGBoost的predict_proba输出作为参考特征拼入逻辑回归做两阶段建模。我在一个高逾期率的P2P场景里试过这种做法，相比纯逻辑回归，AUC提升约3个百分点。但代价是解释性下降，需要额外为XGBoost输出做一份辅助说明文档，我当时花了整整两天才把业务方说服。从那以后我每次做分数调整都强制走一遍全量回测，连同分箱边界一起验证，再给业务方出对比报告。希望这些拆解能帮你在信用评分的路上省一点摸索的时间。
本文还有配套的精品资源，点击获取
