信用风险记分卡
scorecardp的Python项目详细描述
#记分卡[pypi release](https://img.shields.io/pypi/v/scorecardpy.svg)(https://pypi.python.org/pypi/scorecardpy)
[![下载](http://pepy.tech/badge/scorecardpy)(http://pepy.tech/project/scorecardpy)
[![pypi版本](https://img.shields.io/pypi/pyversions/scorecardpy.svg)(https://pypi.python.org/pypi/scorecardpy)
此包是r包[scorecard]的python版本(https://github.com/shichensie/scorecard)。
其目标是通过为一些常见任务提供功能,使传统信用风险记分卡模型的开发变得更容易和高效。
-数据分区(`split-df`)
-变量选择(`iv`,`var-filter`)
-证据权重(woe)分类(`woebin`,`woebin-plot`,`woebin-ply`,`woebin-ply`,`woebin-ply`)
-记分卡评分(`sco分卡`,`sco分卡` ply ply`)
-绩效评估(`perf-eva`,`perf-psi`)
/>-安装从[GITHUB](HTTPS://Github. COM/SHICHIXII/SCORECARDY)安装最新版本的“SCORCARDPY”版本:
'BR/> PIP安装GIT+GIT://GITHUB.COM/SHITCHEEX/SCORCARPY。Git
'BR/> BR/>实例< BR/> BR/>“PyPracePy”从[PyPI](HTTPS://PYPI.Org/PrimeS/SCORECARDYP/)是一个基本的例子,向您展示了如何开发一个通用的信用风险记分卡:
`` python
使用逻辑回归的传统信用评分
将记分卡导入为sc
数据准备---
加载germancredit数据
dat=sc.germancredit()
通过缺失率过滤变量,iv,同值率
dt s=sc.var_滤波器(dat,y=“可信赖度”
动车试驾
列车,测试=sc.split_df(dt‘可信赖度’).values()
<
垃圾箱=sc.woebin(dt s,y=“可信赖度”
二元调整
二元调整
br/>交互调整休息时间
#breaks_u adj=sc.woebin_u adj(dt_s,“可信性”,bin)
中断列表=中断调整)
=“可信性”]
y懔test=test懔woe.loc[:,“可信性”]
x懔test=test懔woe.loc[:,train懔woe.columns!“可信性”]
从sklearn.linearu模型导入logisti回归回归的logistic回归
lr=logisti回归回归(惩罚系数l1,c=0.9,解算系数saga,n个工作数=1)
lr.fit(x火车,y火车)lr.fit(x火车,y火车)
预测概率(X列)[:,1]
检验预测概率(x_检验)[,1]
绩效评估与roc——
列车绩效=SC.perf_eva(y_列车,train_pred,title=“train”)
检验绩效=SC.perf_eva(y_列车,train_pred,title=“train”)
检验绩效=SC.perf_eva(y_检验,检验预测,title=“test”)
评分---
卡=SC.记分卡(bins____proba,title=“test”)
评分---
计分卡=SC.记分卡左后,火车。火车。火车列)
信用评分
火车计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡>)
```
[![下载](http://pepy.tech/badge/scorecardpy)(http://pepy.tech/project/scorecardpy)
[![pypi版本](https://img.shields.io/pypi/pyversions/scorecardpy.svg)(https://pypi.python.org/pypi/scorecardpy)
此包是r包[scorecard]的python版本(https://github.com/shichensie/scorecard)。
其目标是通过为一些常见任务提供功能,使传统信用风险记分卡模型的开发变得更容易和高效。
-数据分区(`split-df`)
-变量选择(`iv`,`var-filter`)
-证据权重(woe)分类(`woebin`,`woebin-plot`,`woebin-ply`,`woebin-ply`,`woebin-ply`)
-记分卡评分(`sco分卡`,`sco分卡` ply ply`)
-绩效评估(`perf-eva`,`perf-psi`)
/>-安装从[GITHUB](HTTPS://Github. COM/SHICHIXII/SCORECARDY)安装最新版本的“SCORCARDPY”版本:
'BR/> PIP安装GIT+GIT://GITHUB.COM/SHITCHEEX/SCORCARPY。Git
'BR/> BR/>实例< BR/> BR/>“PyPracePy”从[PyPI](HTTPS://PYPI.Org/PrimeS/SCORECARDYP/)是一个基本的例子,向您展示了如何开发一个通用的信用风险记分卡:
`` python
使用逻辑回归的传统信用评分
将记分卡导入为sc
数据准备---
加载germancredit数据
dat=sc.germancredit()
通过缺失率过滤变量,iv,同值率
dt s=sc.var_滤波器(dat,y=“可信赖度”
动车试驾
列车,测试=sc.split_df(dt‘可信赖度’).values()
<
垃圾箱=sc.woebin(dt s,y=“可信赖度”
二元调整
二元调整
br/>交互调整休息时间
#breaks_u adj=sc.woebin_u adj(dt_s,“可信性”,bin)
中断列表=中断调整)
=“可信性”]
y懔test=test懔woe.loc[:,“可信性”]
x懔test=test懔woe.loc[:,train懔woe.columns!“可信性”]
从sklearn.linearu模型导入logisti回归回归的logistic回归
lr=logisti回归回归(惩罚系数l1,c=0.9,解算系数saga,n个工作数=1)
lr.fit(x火车,y火车)lr.fit(x火车,y火车)
预测概率(X列)[:,1]
检验预测概率(x_检验)[,1]
绩效评估与roc——
列车绩效=SC.perf_eva(y_列车,train_pred,title=“train”)
检验绩效=SC.perf_eva(y_列车,train_pred,title=“train”)
检验绩效=SC.perf_eva(y_检验,检验预测,title=“test”)
评分---
卡=SC.记分卡(bins____proba,title=“test”)
评分---
计分卡=SC.记分卡左后,火车。火车。火车列)
信用评分
火车计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡计分卡>)
```