申请评分卡（2）——评分卡模型开发

模型开发步骤

1. 业务和风险定义
2. 数据准备与预处理
   来源：自有数据和第三方数据
3. 模型构建
   确定观察点、观察期和表现期，选择特征建模。
4. 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。
5. 模型部署
   模型替换。
6. 模型监控
   跟踪模型各项性能。

评分卡常用模型

1. 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
2. 决策树
   优点: 对数据质量要求低,易解释
   缺点:准确度不高
3. 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