1. 校准目标与核心参数：评分卡逻辑、参数体系、校准精度要求

机会评分模型的校准是确保评分结果具备业务可解释性与决策可靠性的关键步骤。本章作为全课程的开篇，定义校准工作应当达到的三大核心目标——评分卡逻辑一致性、参数体系完整性、校准精度可度量性。理解这三者的内在关系，是后续参数测试与调优的基础。

1.1 评分卡逻辑 — 校准的“叙事规则”

评分卡逻辑决定了模型输出如何被映射为业务可理解的“分数”或“等级”。校准的首要目标是确保评分卡逻辑在数学转换上正确、在业务语义上连贯。

• 逻辑映射：原始模型输出（如log-odds）必须通过线性或分段函数转换为整数分数。映射公式的参数（如基准分PDO、目标分数）是校准的起点。
• 分段一致性：若评分卡分为多个风险等级（如A/B/C/D），各等级之间的分数区间必须保持单调递减或递增，且不出现跳跃或重合。
• 业务可解释性：校准后的分数应直观反映风险变化。例如，分数每增加20分，审批通过率提升5个百分点，这种关系应保持稳定。

1.2 参数体系 — 校准的“可调旋钮”

参数体系是校准工程师可以直接操作的变量集合。每个参数都有明确的物理含义、测试范围与业务影响。我们需要先建立完整的参数清单，才能进行系统性测试。

1.3 校准精度要求 — 校准的“合格判据”

精度要求定义了校准结果可被接受的量化边界。没有精度标准，所有的调参动作都无法判断好坏。

• 分数分布一致性：校准后分数在验证集上的分布（如均值、方差、分位数）应与训练集保持相对稳定，分布偏移偏差应控制在±5%以内。
• 区分能力：评分对正负样本的分离能力通常用KS值或AUC度量。校准不应导致区分能力显著下降。常见验收阈值为KS ≥ 0.30，AUC ≥ 0.70。
• 概率校准度：校准后分数对应的预测概率应与实际观测概率基本一致。常用Brier Score或Calibration Slope检验。Slope应落在0.85~1.15区间。
• 等级稳定性：各风险等级内的坏样本率应随时间保持稳定，PSI（Population Stability Index）应小于0.10。

1.4 校准目标与核心参数关系框架

下图展示了校准目标、参数体系与精度要求三者之间的逻辑关系。校准流程从目标出发，通过参数调优驱动，最终以精度指标作为质量闸门。

1.5 本章参数测试要点

在开始第1章的参数测试前，请确认以下条件已满足：

1. 评分卡逻辑已冻结——任何映射公式或分段规则的修改不应纳入后续参数测试的变量范围。
2. 参数清单已建立——至少列出课程中提及的5个核心参数，并记录其当前含义与预期调整方向。
3. 精度基线已测量——在未做任何校准调优前，记录当前模型的KS、Brier Score、PSI作为后续对比的基线。