人工智能平台 PAI：评分卡信用评分

前提条件

• 已创建工作空间，详情请参见创建及管理工作空间。

• 已将MaxCompute资源关联到工作空间，详情请参见创建及管理工作空间。

数据集

本工作流使用国外某机构开源的数据集（下载数据集），共30000条。该数据集中包含用户的性别、教育、婚姻、年龄、历史信用卡消费情况及信用卡账单情况。

评分卡信用评分

1. 进入Designer页面。

   1. 登录PAI控制台。

   2. 在左侧导航栏单击工作空间列表，在工作空间列表页面中单击待操作的工作空间名称，进入对应的工作空间。

   3. 在工作空间页面的左侧导航栏选择模型开发与训练 > 可视化建模（Designer），进入Designer页面。

2. 构建工作流。

   1. 在Designer页面，单击预置模板页签。

   2. 在预置模板页面中，单击基于评分卡的信用卡消费分析下的创建。

   3. 在新建工作流对话框，配置参数（可以全部使用默认参数）。

      其中：工作流数据存储配置为OSS Bucket路径，用于存储工作流运行中产出的临时数据和模型。

   4. 单击确定。

      稍等约10秒，工作流即可创建成功。

   5. 在工作流列表，双击基于评分卡的信用卡消费分析，进入工作流。

   6. 系统根据预置的模板，自动构建工作流，如下图所示。

      

      区域	描述
      ①	将输入数据集拆分为训练数据集和预测数据集。
      ②	分箱组件类似于One-Hot编码，可以根据数据分布将数据映射为高维度特征。以age字段为例，分箱组件可以根据数据在不同区间的分布进行分箱操作。工作流运行完成后，您可以右键单击分箱-1组件，选择我要分箱。在分箱-1配置面板中单击名称（age）进行查看。其结果如下：分箱详情表展示了某特征的 10 个分箱区间（从 (-inf,25] 到 (49,+inf)），每个分箱包含 Label（分箱区间范围）、Constrain（约束条件，包括 Operator 和 Value，默认未设置）、WOE（各分箱的 WOE 值，如 0.250、-0.091、-0.114 等）和 Number（各分箱的 Total、Positive、Negative 样本数，如第 0 行 Total=3138、Positive=845、Negative=2293）。工作流运行完成后，您可以右键单击分箱-1组件，在快捷菜单，选择查看数据 > 分箱结果输出，即可查看每个字段均被分箱至多个区间中。特征分箱汇总表展示全部 21 个特征（sex、education、marriage、limit_bal、age、pay_0–pay_6、bill_amt1–bill_amt6、pay_amt1–pay_amt6）的分箱结果，每个特征对应一段 JSON，包含 iv（Information Value，如 sex 为 0.003556、limit_bal 为 0.075548、pay_0 为 0.046904）、n（样本数）、p（正样本数）、prate（正样本率）和 total（总样本数）等关键字段。
      ③	综合比较拆分前后及分箱结果的样本稳定程度，返回每个特征的PSI数值。工作流运行完成后，您可以右键单击样本稳定指数（PSI）-1，选择查看数据 > 输出进行查看。如下图所示。 样本稳定指数是衡量样本变化所产生偏移量的重要指标，可以衡量样本的稳定程度。将特征每行对应的PSI值求和，即为该特征总的PSI值。通常，如果变量的PSI值小于0.1，则表示样本变化不太显著。如果PSI值大于0.1且小于0.25，则表示样本变化比较显著。如果PSI值大于0.25，则表示样本变化比较剧烈，需要特殊关注。
      ④	评分卡训练。工作流运行完成后，您可以右键单击评分卡训练-1组件，选择查看数据 > 训练结果输出表查看训练结果。评分卡模型输出结果表展示三个特征的分箱统计数据：intercept（截距项）、pay_0（分箱包括 (-inf,-1]、(-1,0]、(0,1]、(1,2]、(2,+inf) 等共 8 行）和 limit_bal（分箱从 (-inf,30000] 到 (360000,+inf) 共 11 行）。表中列除 weight、scaled_weight、contribution 外，还包括 feaname、binid、bin、constraint、woe、total、positi、negativ、percentage_pos、percentage_neg、in_mode、test_woe、test_contribution 等指标。评分卡的精髓是使用符合业务标准的分数表示复杂的模型权重，其结果的关键参数如下： weight：表示原始的权重值。 Scaled_weight：分数更改指标。例如，对于pay_0特征，如果特征值在(-1,0]区间，则分数减29。如果特征值在(0,1]区间，则分数加27。 contribution：每个特征对于结果的影响。数值越大，则影响越大。
      ⑤	预测每个用户的信用评分并评估模型效果。

3. 运行工作流并查看输出结果。

   1. 单击画布上方的运行按钮。

   2. 工作流运行结束后，右键单击画布中的评分卡预测-1，在快捷菜单，单击查看数据 > 输出，即可查看每个用户的信用评分。输出结果包含以下字段：payment_next_month（下月付款行为标签，0 或 1）、prediction_score（信用评分，如 685、525 等）、prediction_prob（预测概率）和 prediction_detail（各类别概率详情，JSON 格式，包含类别 0 和类别 1 的概率值）。