模型开发步骤
- 业务和风险定义
- 数据准备与预处理
来源：自有数据和第三方数据 - 模型构建
确定观察点、观察期和表现期，选择特征建模。 - 模型评估
准备测试集进行验证。
评估标准：
ROC:评估模型区分能力，越高越好，说明好坏样本区分得越开。
AR:评估模型分类的准确度，越高准确度越好，由TPR+FPR组成。
AIC:评估模型的拟合状态，越低拟合得越好。 - 模型部署
模型替换。 - 模型监控
跟踪模型各项性能。
评分卡常用模型
- 逻辑回归
优点: 简单,稳定,可解释,技术成熟,易于监测和部署
缺点:准确度不高 - 决策树
优点: 对数据质量要求低,易解释
缺点:准确度不高 - 组合模型
优点: 准确度高,不易过拟合
缺点:不易解释;部署困难;计算量大
