Platform For AI：評分卡信用評分

前提條件

• 已建立工作空間，詳情請參見建立及管理工作空間。

• 已將MaxCompute資源關聯到工作空間，詳情請參見建立及管理工作空間。

資料集

本工作流程使用國外某機構開源的資料集（下載資料集），共30000條。該資料集中包含使用者的性別、教育、婚姻、年齡、歷史信用卡消費情況及信用卡賬單情況。

評分卡信用評分

1. 進入Designer頁面。

   1. 登入PAI控制台。

   2. 在左側導覽列單擊工作空间列表，在工作空間列表頁面中單擊待操作的工作空間名稱，進入對應的工作空間。

   3. 在工作空間頁面的左側導覽列選擇模型开发与训练 > 可视化建模（Designer），進入Designer頁面。

2. 構建工作流程。

   1. 在Designer頁面，單擊预置模板頁簽。

   2. 在預置模板頁面中，單擊基於評分卡的信用卡消費分析下的创建。

   3. 在新建工作流對話方塊，配置參數（可以全部使用預設參數）。

      其中：工作流数据存储配置為OSS Bucket路徑，用於儲存工作流程運行中產出的臨時資料和模型。

   4. 單擊确定。

      稍等約10秒，工作流程即可建立成功。

   5. 在工作流程列表，雙擊基於評分卡的信用卡消費分析，進入工作流程。

   6. 系統根據預置的模板，自動構建工作流程，如下圖所示。

      

      地區	描述
      ①	將輸入資料集拆分為訓練資料集和預測資料集。
      ②	分箱組件類似於One-Hot編碼，可以根據資料分布將資料對應為高維度特徵。以age欄位為例，分箱組件可以根據資料在不同區間的分布進行分箱操作。工作流程運行完成後，您可以按右鍵分箱-1組件，選擇我要分箱。在分箱-1配置面板中單擊名稱（age）進行查看。其結果如下：分箱詳情表展示了某特徵的 10 個分箱區間（從 (-inf,25] 到 (49,+inf)），每個分箱包含 Label（分箱區間範圍）、Constrain（約束條件，包括 Operator 和 Value，預設未設定）、WOE（各分箱的 WOE 值，如 0.250、-0.091、-0.114 等）和 Number（各分箱的 Total、Positive、Negative 樣本數，如第 0 行 Total=3138、Positive=845、Negative=2293）。工作流程運行完成後，您可以按右鍵分箱-1組件，在捷徑功能表，選擇查看数据 > 分箱結果輸出，即可查看每個欄位均被分箱至多個區間中。特徵分箱匯總表展示全部 21 個特徵（sex、education、marriage、limit_bal、age、pay_0–pay_6、bill_amt1–bill_amt6、pay_amt1–pay_amt6）的分箱結果，每個特徵對應一段 JSON，包含 iv（Information Value，如 sex 為 0.003556、limit_bal 為 0.075548、pay_0 為 0.046904）、n（樣本數）、p（正樣本數）、prate（正樣本率）和 total（總樣本數）等關鍵字段。
      ③	綜合比較拆分前後及分箱結果的樣本穩定程度，返回每個特徵的PSI數值。工作流程運行完成後，您可以按右鍵樣本穩定指數（PSI）-1，選擇查看数据 > 输出進行查看。如下圖所示。 樣本穩定指數是衡量樣本變化所產生位移量的重要指標，可以衡量樣本的穩定程度。將特徵每行對應的PSI值求和，即為該特徵總的PSI值。通常，如果變數的PSI值小於0.1，則表示樣本變化不太顯著。如果PSI值大於0.1且小於0.25，則表示樣本變化比較顯著。如果PSI值大於0.25，則表示樣本變化比較劇烈，需要特殊關注。
      ④	評分卡訓練。工作流程運行完成後，您可以按右鍵評分卡訓練-1組件，選擇查看数据 > 訓練結果輸出表查看訓練結果。評分卡模型輸出結果表展示三個特徵的分箱統計資料：intercept（截距項）、pay_0（分箱包括 (-inf,-1]、(-1,0]、(0,1]、(1,2]、(2,+inf) 等共 8 行）和 limit_bal（分箱從 (-inf,30000] 到 (360000,+inf) 共 11 行）。表中列除 weight、scaled_weight、contribution 外，還包括 feaname、binid、bin、constraint、woe、total、positi、negativ、percentage_pos、percentage_neg、in_mode、test_woe、test_contribution 等指標。評分卡的精髓是使用符合業務標準的分數表示複雜的模型權重，其結果的關鍵參數如下： weight：表示原始的權重值。 Scaled_weight：分數更改指標。例如，對於pay_0特徵，如果特徵值在(-1,0]區間，則分數減29。如果特徵值在(0,1]區間，則分數加27。 contribution：每個特徵對於結果的影響。數值越大，則影響越大。
      ⑤	預測每個使用者的信用評分並評估模型效果。

3. 運行工作流程並查看輸出結果。

   1. 單擊畫布上方的運行按鈕。

   2. 工作流程運行結束後，按右鍵畫布中的評分卡預測-1，在捷徑功能表，單擊查看数据 > 输出，即可查看每個使用者的信用評分。輸出結果包含以下欄位：payment_next_month（下月付款行為標籤，0 或 1）、prediction_score（信用評分，如 685、525 等）、prediction_prob（預測機率）和 prediction_detail（各類別機率詳情，JSON 格式，包含類別 0 和類別 1 的機率值）。