当前位置:   article > 正文

笔记︱风控分类模型种类(决策、排序)比较与模型评估体系(ROC/gini/KS/lift)_风控模型分类

风控模型分类



每每以为攀得众山小,可、每每又切实来到起点,大牛们,缓缓脚步来俺笔记葩分享一下吧,please~

———————————————————————————


本笔记源于CDA-DSC课程,由常国珍老师主讲。该训练营第一期为风控主题,培训内容十分紧凑,非常好,推荐:CDA数据科学家训练营





——————————————————————————————————————————


一、风控建模流程以及分类模型建设


1、建模流程


该图源自课程讲义。主要将建模过程分为了五类。数据准备、变量粗筛、变量清洗、变量细筛、建模与实施。




2、分类模型种类与区别


风控与其他领域一样,分类模型主要分为两大类:排序类、决策类、标注类(文本、自然语言处理)。


一般来说风控领域在意的是前两个模型种类,排序类以及决策类。


其中:巴塞尔协议定义了金融风险类型:市场风险、作业风险、信用风险。信用风险ABC模型有进件申请评分、行为评分、催收评分。



模型解释复杂度应用场景
Logistics回归影响程度大小与显著性,解释力度强,但只是线性,没有顾及到非线性,预测精度较低
申请评分、流失预测
决策树1、描述性,重建用户场景,可做变量提取与用户画像叶子的数量流失模式识别
2、树的结构不稳定,可以得出变量重要性,可以作为变量筛选
随机森林随机森林比决策树在变量筛选中,变量排序比较优秀

神经网络1、不可解释,内部使用,预测精度较高。可以作为初始模型的金模型(用以评估在给定数据条件下,逻辑回归可达到的最精确程度)
2、线性(逻辑回归)+非线性关系,可用于行为评分的预测模型(行为评分对模型可解释性不强),可用于申请评分的金模型
3、使用场景:先做一个神经网络,让预测精度(AUC)达到最大时,再用逻辑回归
迭代次数申请评分的金模型;
行为评分的预测模型

(1)信用风险——申请信用评分


申请评分可以将神经网络+逻辑回归联合使用。

《公平信用报告法》制约,强调评分卡的可解释性。所以初始评分(申请评分)一般用回归,回归是解释力度最大的。

神经网络可用于银行行为评级以及不受该法制约监管的业务(P2P)。其次,神经也可以作为申请信用评分的金模型。


金模型的使用:一般会先做一个神经网络,让预测精度(AUC)达到最大时,再用逻辑回归。

建模大致流程:

一批训练集+测试集+一批字段——神经网络建模看AUC——如果额定的AUC在85%,没超过则返回重新筛选训练、测试集以及字段;

超过则,可以后续做逻辑回归。


(2)信用风险——行为评分


行为评分建模:行为信用评级不需要解释性,所以可以用非线性的神经网络。


——————————————————————————————————————————


二、分类模型评估体系


上述将分类模型做了归纳,不同的分类模型所采用的评估体系不同。


决策类:准确率/误分率、利润/成本

排序类:ROC指标(一致性)、Gini指数、KS统计量、提升度


1、决策类评估——混淆矩阵指标


混淆矩阵,如图:其中这些指标名称在不同行业有不同的名称解释



正确率=(A+D)/(A+B+C+D)

灵敏度(覆盖率、召回率)=A/(A+B)

命中率(PV+)=A/(A+C)

特异度(负灵敏度、负覆盖率)=D/(C+D)

负命中率(PV-)=D/(D+B)



在以上几个指标中不同行业看中不同的指标:


(1)灵敏度/召回率/覆盖率(——相对于命中率)


譬如灵敏度(召回率)这一指标就比正确率要重要,覆盖率(Recall)这个词比较直观,在数据挖掘领域常用。因为感兴趣的是正例(positive),比如在信用卡欺诈建模中,我们感兴趣的是有高欺诈倾向的客户,那么我们最高兴看到的就是,用模型正确预测出来的欺诈客户(True Positive)cover到了大多数的实际上的欺诈客户,覆盖率,自然就是一个非常重要的指标。


(2)命中率(——相对于覆盖率)


欺诈分析中,命中率(不低于20%),看模型预测识别的能力。

在数据库营销里,你预测到b+d个客户是正例,就给他们邮寄传单发邮件,但只有其中d个会给你反馈(这d个客户才是真正会响应的正例),这样,命中率就是一个非常有价值的指标。 以后提到这个概念,就表示为PV+(命中率,Positive Predicted Value)*。




2、排序类指标评估


ROC指标(一致性)、Gini指数(洛伦兹曲线)、KS统计量、提升度四类指标。



(1)ROC曲线


对角线模型,最差,风控喜欢的指标。由决策类指标的灵敏度(召回率/覆盖率)与特异度(负灵敏度、负召回率)来构造。

求覆盖率等指标,需要指定一个阈值(threshold)。随着阈值的减小,灵敏度和1-特异度也相应增加(也即特异度相应减少)。

基于不同的阈值而产生的一系列灵敏度和特异度描绘到直角坐标上,就能更清楚地看到它们的对应关系。把sensitivity和1-Specificity描绘到同一个图中,它们的对应关系,就是传说中的ROC曲线,全称是receiver operating characteristic curve,中文叫“接受者操作特性曲线”。


AUC值,为了更好的衡量ROC所表达结果的好坏,Area Under Curve(AUC)被提了出来,简单来说就是曲线右下角部分占正方形格子的面积比例。该比例代表着分类器预测精度。R语言︱ROC曲线——分类器的性能表现评价


(2)累积提升曲线


营销最好的图,很简单。它衡量的是,与不利用模型相比,模型的预测能力“变好”了多少(分类模型评估——混淆矩阵、ROC、Lift等)。

将概率从大到小铺开x,提升度可以有一些“忽悠”的成本,哈哈~可以微调,可以自己调节提升度的区间


(3)K-S曲线


风控喜欢的指标。K-S曲线的最大值代表K-S统计量。



(4)洛伦兹曲线gini


风控喜欢的指标,TP率给了一个累积比,跟提升度差不多。


——————————————————————————————————————————


三、信用风险模型检测


监测可以分为前端、后端监控。


前端监控,授信之前,别的客户来了,这个模型能不能用?

后端监控,建模授信之后,打了分数,看看一年之后,分数是否发生了改变。


1、前端监控


长期使用的模型,其中的变量一定不能波动性较大。比如,收入这个指标,虽然很重要,但是波动性很大,不适合用在长期建模过程中。

如果硬要把收入放到模型之中,要放入收入的百分位制(排名)。




2、后端监控


主要监控模型的正确性以及变量选择的有效性。出现了不平滑的问题,需要重新考虑






每每以为攀得众山小,可、每每又切实来到起点,大牛们,缓缓脚步来俺笔记葩分享一下吧,please~

———————————————————————————

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/正经夜光杯/article/detail/799493
推荐阅读
相关标签
  

闽ICP备14008679号