关键词：R语言 ；信用评分；数据挖掘；机器学习
本身是数学，统计出生，不想当码农，于是觉得风控是一个是挺适合我的职业。但是对相关知识，专业术语还是很缺乏，希望通过学习，对这个领域有一个全面的了解。
变量筛选
特征工程（对变量进行初筛，可用随机森林，xgboost）
- 过滤法：通过指标，设定阈值筛选变量。比如方差选择，相关系数，卡方值，信息值
- 封装法：建立模型，通过模型性能评估特征。递归特征消除法（recursive feature elimination）逐步回归
- 基于惩罚项，L1-lasso回归，L2-岭回归（L1主要用于特征选择，L2多用于解决共线性）
- 基于树的特征选择法（熵，信息增益）
- 深度学习
缺失值处理与分析
缺失值处理步骤
数据情况：str，summary查看数据结构。
sapply(data,function(x) sum(is.na(x)))计算数据缺失率：:
miss<-sapply(data,function(x(sum(is.na(x))/length(x)*100))
对数据的缺失比例进行统计，超过一定比例就舍弃。 相关的命令还有:complecase;any.na;查看各个列的数据类型：
sapply(names(data),function(x)class(data[,x))对于integer类型的数据，是否需要转化为factor
判断各个离散特征的分类数，分类不能小于5.
sapply(data,function(x)length(unique(x)))查看各个特征是否存在空值
实用VIM对缺失值进行可视化：
library(VIM)
aggr_plot<-aggr()
- 缺失值填充：
手动填充：数值填充为中位数，因子填充为众数。
#把空白的填充为NA
dataset[dataset==""]<-NA
# 删除全部是NA的列
dataset<- dataset[,which(apply(dataset,2,function(x)all(is.na(x))))
# 缺失值填充,连续填充为中位数，离散填充为众数
for(i in 1:ncol(dataset)){
if(class(dataset[1,i)%in%c('integer','numeric'))
dataset[,i][is.na(dataset[,i)]<- median(dataset[,i),na.rm=T
if(class(dataset[1,i)=='factor')
dataset[,i][is.na(dataset[,i)]<- as.factor(names(which.max(table(dataset[,i))))
# 查看缺失值
anyNA(dataset)
还可以用mice，caret包进行缺失值处理。
另外还有预测差值
- caret的preProcess
- mice包蒙特卡洛模拟
- DMwR包众的knnImputation
- missForest包
异常值分析以及处理（评分卡一般采用IV值来筛选变量）
http://youhaolin.blog.163.com/blog/static/224494120201422110628586/
- 单变量异常值检测：boxplot.stats
- 使用LOF（局部异常因子）检测异常值：DMwR和dprep包众的lofactor
- 聚类分析检测异常值：DBSCAN，k-means
- lsolationForest
install.packages("devtools") devtools::install_github("Zelazny7/isofor")
数据集合的切分
caret包
- 生成训练测试集合createDataPArtition
- 有放回的抽样（BoostStrap） createResample
- 基于交叉验证的样本抽样 createFolds
woe转换
分箱算法（optimal binning）
- smbinning包
使用smbinning对连续变量进行分箱，不能小于5个类别，对factor没有限制。
- 预处理，连续值
as.numeric，离散值as.factor - 要求y为数值型
手动分箱
按分位数变量筛选
计算woe值：
klaR包；
information包IV值 klaR包
逐步回归筛选：glmnet，bestglm，leaps，step
推荐使用glmnet或者bestglm
变量小于20可用bestglm，大于20时用glmnet，lasso较好共线性
相关系数：caret的findCorrelation；cor();方差膨胀因子VIF
library(car)
vif(lm1,digits=3)
当VIF小于10，不存在共线性。大于100存在高度共线性。
评分卡的创建与实施
- 使用logistic回归:
glm_model=glm(y~.,data=data,family=binomial(link="logit"))
pred=predict(glm_model,newdata=data,type="respinse)
- 生成评分卡
模型评估
- ROC
x为FPR，y为TPR - k-s指标
x为RPP，y为TPR-FPR
RPP=（TP+FP）／（FP+TP+FN+TN） - 洛伦兹图
x为RPP，y为TPR - lift图：
lift=PV／K ；
K=（TP+FN）／（FP+TP+FN+TN）
PV=TP／（TP+FP）
x轴为RPP，y轴为Lift - gini系数
x为TNR，y为FNR
GINI=2*AUC-1 - 群体稳定性
PSI计算公式为：
sum（实际占比-预期占比）*ln（实际占比／预期占比）
PSI小于0.1稳定性较好 - 特征稳定性：CSI
决策点 cut-off
- 好坏比（good／bad=odds）
- 核准率（approval rate）
- 核准件众好客户数
- 核准件众坏客户数
评分卡监控
https://valiancesolutions.com/credit-risk-scorecard-monitoring-traking/
- 前段监控：
总体稳定性：PSI小于0.1，稳定
特征稳定性：CSI>5认为特征不稳定 - 后端监控
总体识别度：
K-S：41-75 越大越好
GINI：0.4-1.越大越好 - 特征识别度：IV值大于0.3就很不错了
4.资产质量监控
VIntage analysis
迁移率 Flow Rate
滚动率 Roll Rate
