如何从逻辑回归模型构建信用评分网格

本文中使用的所有代码均可在 GitHub 上获取。业务逻辑和建模功能位于src/selection目录中，具体在以下文件中：

src/modeling/score_computation.py

相应的分析和结果记录在：

09_score_computation.qmd

图像、表格和图表是在 Codex 编码助手的帮助下生成的。

，您的信用评分无处不在。它决定你是否获得贷款、信用卡，甚至公寓。大多数这些决策背后的模型是 FICO。一旦你分解它，它的逻辑就很简单。

FICO 衡量五件事：

付款历史 (35%)：按时支付账单。

欠款 (30%)：将您的信用使用率控制在 20% 以下。

历史长度（15%）：越长越好。

信贷组合 (10%)：使用不同类型的信贷。

新信贷 (10%)：限制新申请。

如果您按时支付信用卡账单，您的分数就会上升。付款历史记录最重要。

这些权重产生一个分数，分为多个范围：

300–579：差。

580–669：一般。

670–739：很好。

740–799：非常好。

800–850：非常好。

本文遵循相同的逻辑，但将其应用于我们自己的模型。

我们使用本系列的数据集来构建评分模型。目标很简单：为每个保留变量赋予权重，计算数据中每个客户的分数，并显示如何计算新客户的分数。

和以前一样，Codex 帮助编写代码并构建表格和图表。我一直这么说是因为这很重要：你可以使用人工智能代理来加快你的工作速度。但检查他们的输出。只有当你验证它时，信任才会增长。使用这些工具，但保持警惕。

让我们回忆一下上次发现的内容。我们保留了四个变量：

Loan_int_rate：贷款利率。

Loan_percent_venue：用于支付贷款的收入比例。

cb_person_default_on_file：借款人之前是否违约。

home_ownership_3：借款人的住房状况。

从模型系数到分数

我们将每个系数转化为分数。

变量每个类别的得分

[1]