(高职）第17章 综合案例3：信用评分模型开发教学课件.pptxVIP

;;【知识框架图】;;本章学习目标;;FICO评分的主要思路是：对大量拥有多个属性的用户数据进行搜集、分析、转换，使用各项统计指标（如相关系数、卡方校验、方差膨胀系数等）对属性值进行取舍、赋权、组合，最终得到一个量化的、综合的、可用于比对的分值。 分值的高低，一方面反映了用户历史信用记录的好坏，另一方面也暗示了未来违约可能性的大小。 目前国内各大互联网巨头都推出了自己的与FICO评分类似的个人信用评分工具。 以芝麻信用为例，其分值范围在350-950之间。一般认为分值越高，则代表信用越好、个人业务的违约率相对较低。;如今，信用评分不再局限于评估信用风险，它已应用于一系列与贷款服务相关的活动中，如评估账户在风险调整后的收益，确定账户初始和后续信贷生命周期内的信用额度，协助欺诈识别、指导逾期和风险缓释等。 信用评分的广泛应用能有效地提高和扩大了信贷系统的效率和服务范围，使贷款机构和客户群不断扩大，利润空间显著提高。;基于数据挖掘算法的信用评分流程图; 本节原始数据集包括主要客户的个人信息（包括性别、年龄、工作岗位、婚姻状况、学历状况等），账户信息（包括各种账户的数量、存贷款余额等），以及该客户是否存在违约的分类标签。 该数据集在清洗整理后，需要经过数据分箱、属性选择以及离散分类标签与连续信用评分结果的转化等过程。 ;(一）数据分箱 形象地讲，数据分箱就是将采集到的某个属性的取值划分成若