逻辑回归模型在评分卡开发中的应用
课程简介：在分类场景中，逻辑回归模型是常用的一类算法。它具有结构简单、可解释性强、输出结果是"软分类"的特点。评分模型多采用这类算法。同时逻辑回归模型也面临一些限制，因此在特征工程阶段我们对输入特征做了相应的调整和约束。
目录：
-
逻辑回归模型的基本概念
-
基于逻辑回归模型的评分卡构建工作
-
尺度化
1. 逻辑回归模型的基本概念
-
伯努利概型
在分类模型中，目标变量是离散、无序型的变量。例如，违约预测模型中的目标变量(也称为标签)是{违约，非违约}。线性回归模型无法对这类标签进行建模，因为线性回归模型的结果的取值空间是整个实数空间.对于分类模型而言，我们建模的对象是每个类别在某条样本上出现的概率。
伯努利概型
某个事件有"发生"与"不发生"两种互斥的状态。假设该事件发生的概率为,不发生的概率即为.我们用1和0表示事件的发生与不发生，则有：
可以统一成
逻辑回归模型与logistic变换
在违约预测场景中，单个个体的违约事件可以看成伯努利概型：
参数即是我们需要预测的目标。
如果对概率做拟合？
概率的取值范围是0~1.如前所述，线性回归的目标变量的取值空间是整个实数空间，因此不适合用线性回归模型做预测。引入下面的logistic变换(也称为sigmoid函数)，能够是的拟合的目标函数的取值范围限定在0~1：
逻辑回归模型与logistic变换(续)
的特点
-
单调性，即>
-
有界性，即
-
可导性，即
除此之外，还有一个计算上的优势，即
-
逻辑回归模型与logistic变换(续)
由于logistic变换有上述种种优点，我们将该变换应用在概率的刻画当中：
其中分别表示第i个观测值上p个特征的取值和特征的权重。
于是整个逻辑回归模型的形式为：
需要注意的是，这里的回归模型是对违约概率做回归，而非对违约结果{0，1}做回归。
-
参数估计
通常用极大似然估计法(MLE)求出逻辑回归的参数
对于样本，逻辑回归模型的似然函和对数似然函数分别为
参数估计的结果是为了让似然函数最大化。由于对数似然函数与似然函数单调上升且具有更紧凑的形式，同时也易于求导运算，因此将似然函数最大化转化为对数似然函数最大化，即
对求偏导，结果是
显然，的方程是没有解析解的。
无法得到解析解的情况下，只能通过数值求解的方式来计算参数的估计。常用梯度上升法来迭代地计算。基本的算法步骤如下：
-
初设化参数和步长
-
计算当前梯度：
-
更新参数：
-
直至满足终止条件
注：
根据计算梯度使用的样本量的多少，梯度上升法分为批量梯度上升法、随机梯度上升法与小批量梯度上升法。
-
逻辑回归模型的优点
结构简单：
-
变量之间的关系是线性可加关系
可解释性高：
-
结构简单；输入变量对目标变量的影响是容易获得的
支持增量训练：
-
无需读入全部数据，可增量式地读取数据、训练模型
给出概率而非判别类别：
-
模型的结果是估计出属于某一类的概率，可用于更加复杂的决策
工程化相对容易：
-
模型的测试、部署、监控、调优等工作相对简单
逻辑回归模型的不足
预测精度一般
-
由于模型结构较为简单，导致预测精度不如其他模型
对变量要求高
-
输入变量需数值类型，需要对非数值变量进行编码
-
不能容忍缺失值，需要对缺失值做处理
-
对异常值敏感，需要对异常值做处理
-
变量尺度差异较大时，容易对模型有影响，需要做变量归一化
-
变量间的线性相关性对模型有影响，需要做变量挑选或加上正则项
2.基于LR模型的评分卡构建工作
逻辑回归模型对变量的要求
当用逻辑回归模型来构建评分卡时，入模变量需要满足以下条件
-
变量间不存在较强的线性相关性和多重共线性
-
变量具有显著性
-
变量具有合理的业务含义，即变量对于风控业务是正确的
其中，第1点已经在单变量分析与多变量分析中得到一定的约束，但是未必充分。
关于第2点，需要从系数的p值进行检验
关于第3点，需要从系数的符号进行检验
-
变量显著性
为了获取与目标变量(即违约标签)有较高相关性的变量，我们要求最终入模的变量的系数的p值很小，例如低于0.1。如果发现模型中某些变量不显著，需要检验一下两种可能性：
-
该变量本身不显著
-
该变量显著，但是由于有一定的线性相关性或者多重共线性，导致该变量在多元回归下不显著
先检验1的可能性，如果排除，再检验2.
检验1的方法：
将该变量单独与目标变量做逻辑回归模型，如果在单变量回归的情况下系数的p值仍然较高，即表明该变量本身的显著性很低。
注：
对于IV较高的变量，1的可能性较低。
-
变量正确性
在WOE的计算公式中，
当WOE为负时，表明当前箱的"危险性"高于平均样本的"危险性"，出现坏样本的概率更高。因此在逻辑回归模型中，所有变量对应的系数应该为负。
反之，如果采取的WOE的计算公式为：
同理，所有变量对应的系数应该为正。
-
逻辑回归模型对变量的要求(续)
-
特征选择
从上述的单变量回归中可以发现，在full regression中，不显著、不正确的变量是由于线性相关性引起的。因此需要在做一次变量挑选。变量挑选的目的是为了满足：
-
入模变量正确并且显著
-
入模变量的"重要性"是最高的
其中，我们可以用IV来衡量入模变量的重要性。
综上，变量挑选的步骤如下：
-
将变量根据IV进行降序排列，不妨设为,其中""代表重要性的次序
-
当前的入模变量集合为{}
-
从剩余的变量中挑选第一个变量放入上一步的集合中，建立回归模型。如果该模型的所有的变量都满足p值小于阈值、系数为负，则在入模变量集合中保留该变量，否则剔除
-
遍历所有变量
-
尺度化
得到符合要求的逻辑回归模型后，通常还需要将概率转化成分数。分数的单调性与概率相反，即分数越高表明违约的概率越低，信用资质越好。在评分卡模型中，上述过程称为"尺度化"，转换公式为：
其中，, : point to double odds
PDO的作用
假设当前的好坏比为, 对应的分数为.
当好坏比上升一倍时变为2, 即=y-ln2, 此时分数变为
因此，PDO的含义即为，当好坏比上升1倍时，分数上升PDO个单位。
Base Point的选择
要满足所有的评分的取值为正。
