（四）逻辑回归模型在申请评分卡中的应用
本遍博客主要讲解以下内容：
- 逻辑回归描述
- 变量选择的方法（知识扩展）
- 带权重的逻辑回归模型
逻辑回归描述
伯努利分布说的是每一个客户逾期概率相同的情况，但是现实生活中，往往不同的客户逾期的概率往往不同，与一些特征有关。
假设我们收集到很多特征，可以用线性函数来拟合逾期概率吗？我们看到其缺点，首先概率无解，其次，把现在的P代入对数似然函数很难求解
所以我们在线性基础上变化，用一个函数（逻辑回归函数）将其转换，使其满足要求（p位于[0,1]区间，对数似然函数好求解）
上面我们说不同客户应该有不同概率，而这些概率往往与我们特征数据集有关，所以将概率表达式代回对数似然函数
对逻辑回归的参数进行估计
变量选择的方法（知识扩展）
评分卡中我们常用的变量挑选方法使用IV进行挑选，除了IV方法还有下面三种常见的方法
- LASSO（模型系数的约束）
写有一篇关于LASSO的机器学习算法文章，大家可以去查看，大概的思路就是，引入一个惩罚函数，以至于不让我们模型的系数太大，也就是这些系数，画一个区域，满足这个区域的才取，下面有一个几何图，之后当交点在某一个坐标轴时，有一个坐标轴系数为0，也就是该特征可以舍去了
下面是LASSO的简单介绍
- 逐步回归法
https://blog.csdn.net/LuYi_WeiLin/article/details/85699800我之前博客有提及
指标指的是
- 随机森林法（变量的重要性）
随机森林采用多个决策树的投票机制来改善决策树，我们假设随机森林使用了m棵决策树，那么就需要产生m个一定数量的样本集来训练每一棵树，如果用全样本去训练m棵决策树显然是不可取的，全样本训练忽视了局部样本的规律，对于模型的泛化能力是有害的
产生n个样本的方法采用Bootstraping法，这是一种有放回的抽样方法，产生n个样本
而最终结果采用Bagging的策略来获得，即多数投票机制
https://blog.csdn.net/Chenyukuai6625/article/details/73692347（什么是bagging和boosting算法，可以参考博客）
带权重的逻辑回归模型
