用R语言构建互联网金融评分卡：从WOE分箱到模型落地全流程

简介面向互联网金融风控与数据分析从业者这份资料系统讲解如何利用高级数据挖掘技术构建信用评分和风险预测模型。内容涵盖R语言数据处理、数据清洗、数据转换与特征工程以及逻辑回归、决策树、随机森林、支持向量机等常用算法同时结合AUC、ROC、精度和召回率等指标说明模型评估与交叉验证方法帮助学员建立从数据预处理到模型调优的完整思路适合具备一定统计基础、希望提升实战能力的学员。压缩包共4个文件包含R语言源代码、Rhistory脚本、27页PDF与PPTX课件兼顾理论讲解与可运行的示例整体仅10.15MB轻量但体系完整。已有266人学习可参考源码从数据清洗、特征筛选到模型构建完整走通流程并借助课件快速理解参数调优思路和评分卡应用实例便于迁移到自身风控业务中。1. 数据挖掘课程资源在讲什么一份能落地的互联网金融风控基线做消费金融风控的人大概都经历过这种阶段模型指标跑出来了AUC看着不错可一旦业务方问“这个分数到底怎么换算成额度”就卡壳。课程资源里标着“大数据挖掘之互联网金融风控模型”打开一看是R语言写的评分卡全流程从数据清洗、变量分箱到逻辑回归和分数映射都有对应代码。这不是给应届生看概念的数据挖掘入门是能直接对着改写、跑通并嵌入生产评分流程的一套基线方案。这份资料包的实用边界很明确——适合两类人一类是刚转到信贷风控领域的分析师需要一份能跟着复现的标准流程另一类是已经在用Python做模型但想对比R实现细节的工程师。核心价值在于把“数据挖掘”从抽象名词还原成具体操作变量怎么分箱、WOE怎么算、分数卡怎么切每一步都有R代码可以对照。常见误区是把它当成一个能直接部署的成品风控系统实际它更像一套带注释的工程模板。下面对照着资料包里的代码结构把从数据准备到评分卡落地的完整链路拆开讲。2. 从压缩包到可复现基线资料构成、环境准备与数据字典拿到这份资料第一件事不是跑代码而是把目录结构盘清楚。常见课程包的R脚本一般按建模流程命名比如01_数据清洗.R、02_分箱与WOE.R、03_逻辑回归.R、04_评分卡尺度转换.R另外配一份数据字典和PPT课件。先把这些文件捋一遍确定数据源格式、变量定义和脚本执行顺序能省掉后面大量排错时间。2.1 先看清资料包里有什么文件清单与依赖检查解压后我习惯先列目录确认是否有缺失文件。第二步是检查R环境这一步经常被跳过结果跑到一半报could not find function %%——不是代码错了是tidyverse没装。# 列出压缩包解压后的文件结构 # 目的确认脚本、数据、文档的完整路径 setwd(./互联网金融风控模型) list.files(recursive TRUE, full.names TRUE) # 检查R版本和关键依赖包 # 评分卡建模常用包dplyr(数据处理), data.table(大数据量), # ggplot2(分布可视化), scales(坐标轴格式化) sessionInfo() packages_needed - c(dplyr, data.table, ggplot2, scales, ROCR, pROC) missing_pkgs - packages_needed[!packages_needed %in% installed.packages()] if (length(missing_pkgs) 0) { cat(缺少包, missing_pkgs, \n) # install.packages(missing_pkgs) # 按需取消注释 }逻辑说明list.files(recursiveTRUE)是标准目录盘点命令full.namesTRUE返回完整路径方便source()直接调用sessionInfo()能一次性输出R版本、平台和已加载包列表排查环境问题时是第一个要看的输出。installed.packages()返回全部已安装包名和脚本需要的包做差集就能知道缺什么。参数说明如果你的数据文件不止一个建议在脚本最前面把所有输入路径集中定义成一个config.R后面每个脚本source(config.R)统一引用。这一习惯在换机器复现时能省一小时起步。2.2 数据字典与目标变量定义建模前必须想清楚的三件事互联网金融风控模型的目标变量定义远比看PPT复杂。常见资料包里给的label字段是“是否逾期超过30天”但实际业务中还需要明确三个口径观察期长度一般取开户后3到6个月、表现期长度至少覆盖一个完整还款周期、排除规则比如放款当天就销户的样本要剔除。# 读取数据字典确认字段业务含义 # 常见字段示例 # user_id : 用户唯一标识 # apply_time : 申请时间 # loan_amt : 申请金额 # due_date : 到期日 # overdue_days: 逾期天数 # label : 目标变量 1坏客户(逾期30天), 0好客户 # 生成基础衍生变量距今天数、申请月份、是否周末申请 library(dplyr) df_raw - fread(raw_data.csv, encoding UTF-8) df_model - df_raw %% mutate( apply_date as.Date(apply_time), days_since_apply as.numeric(Sys.Date() - apply_date), apply_month format(apply_date, %Y-%m), is_weekend weekdays(apply_date) %in% c(星期六, 星期日) ) # 检查目标变量分布这一步决定后续采样策略 table(df_model$label) prop.table(table(df_model$label))逻辑说明fread来自data.table包处理千万级数据比基础read.csv快一个量级。mutate批量生成三个衍生变量——days_since_apply控制观察期apply_month用于检测季节效应比如消费金融年底申请量激增is_weekend捕捉周末进件质量差异。prop.table输出正负样本占比如果坏样本率低于5%后面就要考虑下采样或调整权重。参数说明编码用UTF-8是因为课程包的CSV文件多从Excel导出Excel默认GBK会导致中文列名乱码as.Date的默认格式是%Y-%m-%d如果原始数据是20240115这种格式要改成as.Date(apply_time, format%Y%m%d)。2.3 变量筛选的起点缺失率、常量和相关性三张检查表模型变量不是越多越好。互联网金融的原始数据表动辄几百列但大多含有高缺失率或近常量字段直接代入逻辑回归会得到一堆膨胀的标准误。我一般先跑三张检查表缺失率排名、单一值占比排名、两两相关性热力图。# 缺失率与常量检查保留信息量足够的字段 missing_ratio - sapply(df_model, function(x) mean(is.na(x))) constant_flag - sapply(df_model, function(x) length(unique(na.omit(x))) 1) var_summary - data.frame( var_name names(df_model), missing_pct round(missing_ratio * 100, 2), is_constant constant_flag ) %% filter(is_constant FALSE) %% arrange(desc(missing_pct)) print(var_summary) # 经验阈值缺失率 60% 且业务上不好解释的字段直接剔除逻辑说明sapply对每一列计算缺失率和unique值的数量is_constant标记出全列相同的字段。这两类变量进入模型没有任何区分度还容易造成矩阵病态。注意na.omit的使用——如果某列全缺失unique(na.omit(x))结果是空集length(...) 1照样能识别出来。参数说明缺失率阈值60%不是硬标准。消费金融的第三方征信数据经常有字段缺失率在80%以上但业务上又特别重要这种就要单独设计缺失值分支而不是简单删除。资料包里的脚本一般都会保留缺失率高的字段并单独做“是否缺失”的哑变量这是我建议你对照代码时重点关注的地方。3. 把原始变量变成WOE分箱、IV计算与筛选边界进入R代码核心区这一章是整份资料包的精华。从原始连续变量到最终入模的WOE变量中间需要三步先做分箱再算WOE和IV最后用IV筛选变量。每一步都有数据挖掘课程里不会讲透的工程细节。3.1 连续变量分箱等频分箱的R实现和边界处理逻辑回归要求输入变量与logit对数发生比呈线性关系但原始信用分、额度等变量往往不是线性影响风险。分箱就是把连续变量切成几段让每一段内部的风险同质化。常见的做法是等频分箱——每个箱子里样本数大致相等。# 连续变量等频分箱自定义函数按样本量切成N箱 equal_freq_bin - function(x, y, n_bins 10) { # x: 连续变量向量 # y: 目标变量(0/1) # n_bins: 目标分箱数 library(Hmisc) cuts - cut2(x, g n_bins, levels.mean TRUE) df_bin - data.frame(x x, y y, bin cuts) bin_stats - df_bin %% group_by(bin) %% summarise( total n(), bad sum(y 1), good total - bad, bad_rate bad / total ) %% mutate( woe log((bad / sum(bad)) / (good / sum(good))), iv_part (bad / sum(bad) - good / sum(good)) * woe ) return(list(bin_stats bin_stats, bin_cuts levels(cuts))) } # 以“申请金额”字段为例 result_amt - equal_freq_bin(df_model$loan_amt, df_model$label, n_bins 10) print(result_amt$bin_stats)逻辑说明核心函数是cut2它比基础cut多了levels.meanTRUE选项——返回的标签是每箱均值而不是区间字符串后续绘图和转数值时不用再做类型转换。分组后用summarise计算每箱的总数、坏客户数、好客户数和坏账率WOE公式是log(坏客户占比/好客户占比)正值表示该箱风险高于整体负值表示风险低于整体。参数说明n_bins初始设10跑完看每箱坏账率是否单调。如果出现“V形”或“倒U形”走势说明分箱和业务逻辑冲突需要调整切点数。另一个常见参数是min_bin_count——如果某箱总样本量少于30模型会非常不稳定资料包里的处理方式是手动合并相邻箱。3.2 类别变量分箱与坏账率趋势检验类别变量分箱不能用等频切本身是离散值按类别聚合计算WOE即可。真正麻烦的是类别过多的问题——比如“职业”字段有上百种取值。常见处理方式是先做坏账率排序然后合并相邻风险相近的类别。# 类别变量分组按坏账率排序后相邻合并 cat_bin - function(x, y, min_bad 50) { df_cat - data.frame(cat x, y y, stringsAsFactors FALSE) %% group_by(cat) %% summarise( total n(), bad sum(y 1), bad_rate bad / total ) %% arrange(desc(bad_rate)) %% # 按坏账率降序 mutate( cum_bad cumsum(bad), cum_total cumsum(total) ) # 经验规则累计坏样本数低于min_bad的类别合并为其他 df_cat$new_cat - ifelse(df_cat$cum_bad min_bad, 其他, df_cat$cat) return(df_cat) } result_job - cat_bin(df_model$occupation, df_model$label, min_bad 50) head(result_job, 15)逻辑说明arrange(desc(bad_rate))把风险最高的类别排在前面cumsum计算累计坏样本数——当累计坏样本达到阈值时后面的类别即使单独计算风险也缺少统计显著性并入“其他”是数据挖掘课程里标准的降维操作。这样处理不是丢弃信息是把长尾类别合并成一个稳定变量。参数说明min_bad的经验值在30到100之间消费金融场景通常取50。阈值太小比如10合并出来的类别方差太大阈值太大比如500会丢失真正的高风险细分群体。跑完建议打印每个新类别的样本量和坏账率如果“其他”类占比超过30%说明阈值设太大了。3.3 IV值筛选信息量的计算和入模阈值怎么定IVInformation Value信息量是变量筛选的核心指标。它衡量的是“这个变量对区分好坏客户贡献了多少信息”数学上看是每个分箱的WOE按样本占比加权求和。# 计算全量变量的IV值并排序 calculate_iv - function(df, y_col, var_list) { iv_results - data.frame(var character(), iv numeric(), stringsAsFactors FALSE) for (v in var_list) { df_tmp - df[, c(v, y_col)] names(df_tmp) - c(x, y) # 只处理有变化的变量 if (length(unique(df_tmp$x)) 1) next # 连续变量先分箱再算IV类别变量直接用聚合结果 if (is.numeric(df_tmp$x)) { binned - equal_freq_bin(df_tmp$x, df_tmp$y, n_bins 10) iv_sum - sum(binned$bin_stats$iv_part) } else { df_cat - df_tmp %% group_by(x) %% summarise(total n(), bad sum(y 1), good total - bad) %% mutate( woe log((bad / sum(bad)) / (good / sum(good))), iv_part (bad / sum(bad) - good / sum(good)) * woe ) iv_sum - sum(df_cat$iv_part) } iv_results - rbind(iv_results, data.frame(var v, iv iv_sum)) } iv_results %% arrange(desc(iv)) } # 示例变量列表选择资料包中字段的一个子集 var_pool - c(loan_amt, credit_score, occupation, age, income, apply_month) iv_table - calculate_iv(df_model, label, var_pool) print(iv_table)逻辑说明这个函数把所有变量统一成一个IV计算流程——连续变量调用前面写好的等频分箱类别变量直接在变量内部分组计算。关键点是WOE公式里分子分母用了sum(bad)和sum(good)全局占比而不是箱内占比这保证IV可跨变量对比。参数说明行业通用的IV筛选标准是IV小于0.02的变量基本无预测力直接剔除IV在0.02到0.1之间为弱变量需结合业务判断是否保留IV大于0.1为有效变量优先入模。但要注意IV大于0.5的变量要谨慎——大概率是目标变量泄漏比如用“已逾期天数”预测“是否逾期”这种变量进模型会让评分卡在线上完全失效。3.4 WOE编码的替换陷阱训练集和测试集必须用同一张映射表WOE的计算过程一言以蔽之是“用数据分布更换原始值”。流程上很简单但有一个经典翻车点在训练集上算好WOE映射表之后测试集必须用同一张映射表做替换不能重新计算测试集自己的WOE。# 把分箱结果保存为映射表应用到训练集和测试集 woe_mapping - result_amt$bin_stats %% select(bin, woe) # 训练集或测试集替换 replace_woe - function(df, var_name, mapping) { # 先做等频分箱得到对应的bin标签 cuts - cut2(df[[var_name]], g 10, levels.mean TRUE) df_tmp - data.frame(orig df[[var_name]], bin cuts) df_tmp - df_tmp %% left_join(mapping, by bin) %% mutate(woe_value ifelse(is.na(woe), 0, woe)) return(df_tmp$woe_value) } # 示例训练集和测试集各自替换 df_train$loan_amt_woe - replace_woe(df_train, loan_amt, woe_mapping) df_test$loan_amt_woe - replace_woe(df_test, loan_amt, woe_mapping)逻辑说明left_join(mapping, bybin)把训练集算好的WOE值映射到新数据上。测试集新数据的变量分布可能有细微偏移重新计算WOE会导致训练和测试的变量分布不一致模型的截距和系数全部失效。用ifelse(is.na(woe), 0, woe)是对新出现的分箱赋中性值0——判断不了就默认不贡献风险分。参数说明映射表里至少要有bin、woe、total、bad_rate四列。总列存着训练集的样本量上线后做模型监控时要拿线上数据分布和这张表对比PSIPopulation Stability Index群体稳定性指标超过0.25就要告警这是后话。4. R语言跑通逻辑回归评分卡从glm到分数映射WOE变量准备好之后进入真正的建模环节。逻辑回归在R语言里用glm函数一句话就能跑但评分卡落地的细节不在回归本身而在“系数怎么转成可解释的分数”。这一章会把过程完整拆开。4.1 用glm拟合逻辑回归训练集测试集划分与模型摘要解读数据挖掘课程里都会讲逻辑回归的损失函数和梯度下降但R语言实操中只需要关心glm的输入输出。评分卡模型一般不做PCA降维——保留原始变量才能解释分数变化的原因这一点和很多机器学习竞赛方案有本质区别。# 数据集划分按时间切分而非随机切分 # 消费金融场景下用贷款申请月份做时间切分 library(caTools) # 按申请月份切分前80%时间做训练后20%做测试 unique_months - sort(unique(df_model$apply_month)) train_months - unique_months[1:floor(length(unique_months) * 0.8)] test_months - setdiff(unique_months, train_months) df_train - df_model %% filter(apply_month %in% train_months) df_test - df_model %% filter(apply_month %in% test_months) # 拼接训练集的WOE变量 train_woe - data.frame( label df_train$label, loan_amt_woe df_train$loan_amt_woe, credit_score_woe df_train$credit_score_woe, income_woe df_train$income_woe ) # 构建逻辑回归模型 model_glm - glm(label ~ ., data train_woe, family binomial(link logit)) summary(model_glm)逻辑说明按时间切分比随机切分更贴近线上真实场景——消费信贷的风险水平会随宏观经济波动模型必须验证“对未来数据的预测能力”。glm(formula, familybinomial(logit))是最标准的二分类逻辑回归写法label ~ .表示用数据框中的其余全部列做特征输出中每个变量对应一个系数和P值。模型摘要的解读重点看每个变量的系数符号是否和业务直觉一致。比如loan_amt_woe系数应该为正——贷款金额越高坏账率越高如果系数为负说明WOE计算的方向反了要检查分箱时是不是把好客户和坏客户放反了。参数说明binomial(linklogit)是默认链接函数不写也行但建议显式声明。训练集和测试集划分比例80/20是经验值如果样本量大百万级以上可以切到90/10样本少几万级要保留更多训练数据。4.2 从逻辑回归系数到标准评分卡基准分、翻倍分的尺度转换评分卡输出的不是违约概率而是整数分数。常见设计是分数越高代表风险越低。转换公式需要的三个参数基准分base_score、基准分对应的违约概率base_odds、翻倍分pdo——即违约概率翻倍时分数下降的差值。# 评分卡尺度转换参数设定 base_score - 600 # 基准分 base_odds - 1/20 # 基准分对应的违约与正常比(坏好1:20) pdo - 50 # odds每翻一倍分数下降50分 # 计算刻度A和偏移B # score A - B * log(odds) 其中odds p/(1-p) factor_b - pdo / log(2) # 约等于72.13 factor_a - base_score factor_b * log(base_odds) # 概率转换为分数 predict_prob - predict(model_glm, newdata test_woe, type response) test_score - factor_a - factor_b * log(predict_prob / (1 - predict_prob)) # 输出分数分布检查min, max, quantile summary(test_score)逻辑说明核心公式是score A - B * ln(odds)其中A和B由基准分和翻倍分唯一确定。factor_b pdo / ln(2)是一级公式——odds翻倍时分数差的绝对值等于B * ln(2)让这个值等于pdo就得到B。factor_a由基准分反推——把基准odds带入公式解出A。这样设置后600分对应坏好比1:20如果某客户分数650他的odds就是1:10风险更高。参数说明base_odds取值没有标准答案一般按整体样本的坏好比设定。消费金融现金贷产品常见的基准分设在600或650pdo50是行业最常用配置——分数每降50分风险翻一倍业务方易理解和执行。注意这些参数只是线性变换不会改变模型的区分度——AUC在转换前后完全不变。4.3 把评分卡系数表导出业务交付的关键产物建模完成后业务方需要的不是R模型对象而是一张“变量分箱分数”的评分卡表格。每增加或减少一定分数对应某个变量的某个区间。这张表要导出成Excel或CSV用于信审策略制定和系统部署。# 生成评分卡系数表 coef_table - data.frame( var_name names(coef(model_glm)), coef_value unname(coef(model_glm)) ) # 把连续变量的分箱映射成每个箱的分数 create_score_card - function(model, woe_mapping, factor_a, factor_b) { coefficients - coef(model) intercept_val - coefficients[(Intercept)] score_card - data.frame() for (v in names(coefficients)) { if (v (Intercept)) next # 该变量的系数乘WOE得到该箱贡献的logit值 coef_v - coefficients[v] # 获取该变量的WOE映射 mapping_v - woe_mapping[[v]] temp_df - mapping_v %% mutate( var_name v, woe_value woe, # 每个分箱的分数贡献 -B * (系数 * WOE) score_contrib -factor_b * coef_v * woe ) score_card - rbind(score_card, temp_df) } # 把截距转换为基准分 base_intercept - factor_a - factor_b * intercept_val score_card - rbind( score_card, data.frame(var_name BASE, bin 基准分, woe_value NA, score_contrib base_intercept) ) return(score_card) } final_score_card - create_score_card(model_glm, woe_mapping, factor_a, factor_b) write.csv(final_score_card, score_card.csv, row.names FALSE)逻辑说明评分卡的本质是“把逻辑回归的预测值做线性分解”。公式score A - B * (截距 Σ(系数 * WOE))拆开后每个变量在每个分箱的贡献是-B * 系数 * WOE——负数是因为系数为正且WOE为正时风险高要扣分。base_intercept是把截距和基准分合并在一起这样业务方可以直接用“基准分 叠加每个变量的贡献分”得到客户总分。参数说明woe_mapping[[v]]要求WOE映射表是按变量名存储的list结构每个list元素包含该变量全部箱的WOE值。导出CSV后检查所有箱的分数贡献加总后加上base_intercept应当等于直接用概率算出来的分数误差在浮点范围以内。如果对不上大概率是WOE映射表的变量名和模型变量名不一致——这是R语言写代码时最常踩的坑之一。5. 评分卡落地前的那堵墙R语言复现中的5个高频翻车问题资料包代码看起来能跑通但实际动手时会遇到各种微妙的问题。这一章把最常见的几个坑按“现象→原因→解决”的方式列清楚每一条都是真实调试经验。5.1 中文编码混乱导致变量名变成乱码现象读取CSV后names(df)显示ï..loan_amt或者apply_time变成appl.\xc3\xaftime。原因Excel另存的CSV是GBK编码R默认读取UTF-8。解决fread(data.csv, encodingGBK)或者在读入后names(df) - iconv(names(df), fromGBK, toUTF-8)。注意R语言在Windows版本的默认编码行为不一样同一个脚本在Mac和Windows上可能一个正常一个乱码。建议第一步就用file.encoding参数检查文件真实编码不要猜。5.2 分箱后不同批次数据出现新水平现象训练集分箱切点已经固定测试集或者上线后的新数据出现不在任何箱范围内的取值。原因训练集的变量范围小于线上分布——比如训练数据最高贷款金额5万线上实际出现8万。解决分箱代码中在cut2外层包裹min和max钳制逻辑超出边界的值归入最边缘箱。更稳妥的做法是留出5%的极端值不做等频分箱直接单独成一箱“极端值”。5.3 变量异常值和缺失值的处理方向相反现象WOE计算出来的坏账率曲线呈U形——中间低两端高。原因缺失值被na.omit删掉但实际业务中“缺失”本身就是强信号——比如第三方征信数据为空说明客户没有该维度记录这类客户往往风险更高。解决不要把缺失值直接删除单独做一个“是否缺失”的哑变量或者把缺失值作为一个独立分箱参与WOE计算。做完之后看这个箱的WOE值——通常是强负值代表高风险的强预测信号。5.4 尺度转换参数A和B搞混方向导致分数越高风险越高现象分数和坏账率呈正相关——分高的客户逾期反而更多。原因score A - B * log(odds)会被误写成score A B * log(odds)此时odds越大分数越高完全反了。解决写完代码后马上找20个样本手动计算一遍拿一个WOE全为0的样本验证分数应当等于base_intercept再拿一个风险较高的样本验证分数低于基准分。这类方向性问题不是靠调试能发现的最好写进单元测试里每次改参数自动跑一遍。5.5 glm模型拟合时报警告“algorithm did not converge”现象glm输出Warning: glm.fit: algorithm did not converge模型系数全部是NA或者极大值。原因数据中存在完全分离——某个变量的某些分箱内好坏样本边界清晰可分导致极大似然估计没有有限解。常见于IV值特别高的变量比如超过0.5。解决先检查是否目标泄漏排除泄漏后考虑用Firth逻辑回归logistf包或者在glm中调整maxit200和epsilon1e-10提升收敛精度。实际项目中更常见的原因是某两个WOE变量完全共线——检查一下变量相关性直接删除其中一个。6. 模型验证的上限与下限K-S曲线、PSI监控和阈值调优技巧评分卡模型不是跑完回归就结束验证环节决定这模型敢不敢上生产。不做验证的模型上线后第一次客群波动就可能翻车到时候再修补就晚了。6.1 用ROCR画K-S曲线区分度的可视化验证K-S值Kolmogorov-Smirnov是风控评分卡最常用的区分度指标它计算的是好坏客户累计分布的最大差距。R语言中ROCR包可以一行代码画出曲线并计算出K-S值。# 计算K-S值 library(ROCR) pred_obj - prediction(test_score, test_woe$label) perf_ks - performance(pred_obj, tpr, fpr) # 提取TPR和FPR差值最大值即K-S ks_value - max(attr(perf_ks, y.values)[[1]] - attr(perf_ks, x.values)[[1]]) # 绘制K-S曲线 plot(perf_ks, col blue, main paste(K-S Curve, KS , round(ks_value, 4))) # 绘制对角线作为参照 abline(a 0, b 1, lty 2, col gray)逻辑说明prediction函数把预测分数和真实标签包装成ROCR能识别的对象performance指定要计算TPR和FPR。K-S值是TPR和FPR在每一个切点上的最大差值——差值越大说明好坏客户分布重叠越少区分度越高。风控行业经验值K-S大于0.3通过基线门槛大于0.4优秀低于0.2就要考虑重新选变量。6.2 PSI监控上线后的客群偏移预警模型上线没事只是开始消费金融客群随渠道策略变化三个月后特征分布就可能整体偏移。PSI群体稳定性指标衡量的是线上实际分布和建模时训练分布的差异超过阈值说明模型需要重新训练或校准。# 计算PSI比较训练集和上线后实际数据的分数分布 calculate_psi - function(score_train, score_prod, n_bins 10) { # 按训练集分数的十分位数确定切点 breaks - quantile(score_train, probs seq(0, 1, length.out n_bins 1)) breaks[1] - -Inf breaks[length(breaks)] - Inf # 统计两个分布的样本占比 train_pct - as.numeric(table(cut(score_train, breaks))) / length(score_train) prod_pct - as.numeric(table(cut(score_prod, breaks))) / length(score_prod) # PSI Σ(实际占比-预期占比) * ln(实际占比/预期占比) psi_value - sum((prod_pct - train_pct) * log(prod_pct / train_pct)) return(psi_value) } psi_month - calculate_psi(train_score, prod_score) cat(当前月PSI:, psi_month, \n)逻辑说明quantile算出训练集分数的十分位切点用同样的切点把线上分数切成十份比较每份占比变化。PSI小于0.1表示分布稳定0.1到0.25之间需要关注超过0.25就触发了再训练告警。breaks[1] - -Inf和breaks[length(breaks)] - Inf是处理新数据超出历史范围的关键——不然cut会把超界值变成NAPSI算出来直接报错。6.3 阈值调优业务成本和通过率的最优平衡评分卡给出分数后还要确定“多少分以上放款”的业务阈值。常见做法是画通过率—坏账率曲线找业务可接受的点。# 遍历不同分数阈值找到业务可接受的切点 thresholds - seq(400, 800, by 10) decision_results - data.frame() for (t in thresholds) { pass_flag - test_score t bad_rate_among_passed - mean(test_woe$label[pass_flag]) pass_rate - mean(pass_flag) decision_results - rbind(decision_results, data.frame( threshold t, pass_rate pass_rate, bad_rate bad_rate_among_passed )) } # 打印通过率在70%附近的阈值 decision_results %% filter(pass_rate 0.65 pass_rate 0.75)逻辑说明遍历400到800分的阈值每个阈值下计算两个指标——通过率和通过客户的坏账率。这两个指标天然互斥阈值越低通过率越高放进去的坏客户也越多。业务方根据资金成本和风险偏好在曲线上选定一个平衡点。比如通过率70%对应坏账率3.5%而通过率60%对应坏账率2.8%差额就是收紧风控带来的收益。我自己的习惯是保留每个月的阈值决策表——如果客群偏移导致坏账率上升先不动模型调阈值顶住同时观察PSI是否触发再训练条件。这套方案在R语言里跑通之后用Python重写了一版但WOE分箱和评分卡尺度转换的流程和参数完全一致。希望这份实战拆解能帮你在拿到原始资料时少走一些弯路争取一次跑通整套流程。本文还有配套的精品资源点击获取