如何建立信用评分卡模型—变量分箱

一句话概括,分箱主要是为了避免连续型变量的取值过于稀疏从而影响模型去学习其中的“好坏”规律。

如何建立信用评分卡模型(三)—变量分箱

分箱方法

常见的分箱方法可以分为无监督分箱和有监督分箱两大类。

无监督分箱

无监督分箱中最常用的是等频分箱和等距分箱。

这两个很容易理解:等频分箱是使每箱的样本数相等,等距分箱是使每个箱的宽度相等

个人感觉这两者最大的优点就是简单、易实现,其他的似乎没什么优点了。反正笔者几乎没用过。因为如果和甲方银行爸爸说模型用了等频或等距分箱,可能项目就直接没了(狗头)。

有监督分箱

有监督分箱常用的有卡方分箱、决策树分箱、Best-KS分箱。

分箱好处

一般在建立分类模型时,需要对连续变量离散化,特征离散化后,模型会更稳定,降低了模型过拟合的风险。比如在建立申请评分卡模型时用logsitic作为基模型就需要对连续变量进行离散化,离散化通常采用分箱法。

分箱的重要性及其优势

离散特征的增加和减少都很容易,易于模型的快速迭代;
稀疏向量内积乘法运算速度快,计算结果方便存储,容易扩展;
离散化后的特征对异常数据有很强的鲁棒性:比如一个特征是年龄>30是1,否则0。如果特征没有离散化,一个异常数据“年龄300岁”会给模型造成很大的干扰;
特征离散化后,模型会更稳定,比如如果对用户年龄离散化,20-30作为一个区间,不会因为一个用户年龄长了一岁就变成一个完全不同的人。当然处于区间相邻处的样本会刚好相反,所以怎么划分区间是门学问;
特征离散化以后,起到了简化了逻辑回归模型的作用,降低了模型过拟合的风险。
可以将缺失作为独立的一类带入模型。


相关文章:
如何建立信用评分卡模型(三)—变量分箱
机器学习为什么要进行变量分箱?分箱的应用场景有哪些?

为者常成,行者常至