逻辑回归与评分卡

sklearn中的逻辑回归
　　1 概述
　　　　1.1 名为“回归”的分类器
　　　　1.2 为什么需要逻辑回归
　　　　1.3 sklearn中的逻辑回归
　　2 linear_model.LogisticRegression
　　　　2.1 二元逻辑回归的损失函数
　　　　　　2.1.1 损失函数的概念与解惑
　　　　　　2.1.2【选学】二元逻辑回归损失函数的数学解释，公式推导与解惑
　　　　2.2 重要参数penalty & C
　　　　　　2.2.1 正则化
　　　　　　2.2.2 逻辑回归中的特征工程
　　　　2.3 梯度下降：重要参数max_iter
　　　　　　2.3.1 梯度下降求解逻辑回归
　　　　　　2.3.2 梯度下降的概念与解惑
　　　　　　2.3.3 步长的概念与解惑
　　　　2.4 二元回归与多元回归：重要参数solver & multi_class
　　　　2.5 样本不平衡与参数class_weight
　　3 案例：用逻辑回归制作评分卡
　　　　3.1 导库，获取数据
　　　　3.2 探索数据与数据预处理
　　　　　　3.2.1 去除重复值
　　　　　　3.2.2 填补缺失值
　　　　　　3.2.3 描述性统计处理异常值
　　　　　　3.2.4 为什么不统一量纲，也不标准化数据分布？
　　　　　　3.2.5 样本不均衡问题
　　　　　　3.2.6 分训练集和测试集
　　　　3.3 分箱
　　　　　　3.3.1 等频分箱
　　　　　　3.3.2【选学】 确保每个箱中都有0和1
　　　　　　3.3.3 定义WOE和IV函数
　　　　　　3.3.4 卡方检验，合并箱体，画出IV曲线
　　　　　　3.3.5 用最佳分箱个数分箱，并验证分箱结果
　　　　　　3.3.6 将选取最佳分箱个数的过程包装为函数
　　　　　　3.3.7 对所有特征进行分箱选择
　　　　3.4 计算各箱的WOE并映射到数据中
　　　　3.5 建模与模型验证
　　　　3.6 制作评分卡
　　4 附录：
　　　　4.1 逻辑回归的参数列表
　　　　4.2 逻辑回归的属性列表
　　　　4.3 逻辑回归的接口列表