3. 评分模型基础
在规则与评分模型融合决策流中，评分模型承担“量化风险、排序优先级、提供可调阈值”的角色。规则擅长处理确定性约束与强业务逻辑，评分模型擅长在模糊边界上做概率估计。理解评分卡、逻辑回归、决策树、集成模型以及特征工程与评估指标，是后续融合决策流设计的基础。
一、核心原理：从评分卡到集成模型
评分卡是风控与信用场景中最经典的评分模型形态。它通常以逻辑回归为核心，将特征经过分箱与WOE编码后，转换为整数分数。评分卡的核心优势是可解释性强、稳定性好、易于业务沟通。其基本形式为：
score = base + sum(woe_i * coef_i * factor)
其中 factor = pdo / ln(2)，base 由基准 odds 与 factor 共同决定。逻辑回归直接输出概率，通过 sigmoid 函数将线性组合映射到 0~1 区间。它假设特征与对数几率呈线性关系，训练快、可解释、输出校准较好，是评分卡与融合决策流中最常用的基模型。
决策树通过递归划分特征空间，形成 if-else 规则路径。单棵树易过拟合、方差大，但能自动捕捉非线性与交互效应。集成模型在此基础上发展：Bagging 类（如随机森林）降低方差，Boosting 类（如 GBDT、XGBoost、LightGBM）逐步拟合残差，提升精度。集成模型通常精度更高，但可解释性下降，需要配合 SHAP 等工具做归因。
二、方法流程：特征工程与模型训练
评分模型的效果上限由特征工程决定。典型流程如下：
- 数据准备：明确标签定义（如违约、逾期、欺诈），处理样本不均衡与时间窗口。
- 特征工程：缺失值填充、异常值处理、分箱、WOE编码、归一化、交叉特征、时间窗口聚合。
- 特征筛选：基于IV值、相关性、VIF、模型重要性进行筛选，避免多重共线性。
- 模型训练：划分训练集、验证集、时间外样本，训练逻辑回归、决策树或集成模型。
- 评分转换：将概率通过 odds 与 PDO 转换为标准评分卡分数。
- 评估与监控：使用AUC、KS、PSI等指标评估区分度与稳定性。
以逻辑回归评分卡为例，核心参数配置如下：
params = {
"penalty": "l2",
"C": 1.0,
"solver": "lbfgs",
"max_iter": 1000,
"class_weight": "balanced"
}
# 分箱后WOE编码，再训练逻辑回归
# 评分转换：score = 600 + 50 / ln(2) * ln(odds / 1)三、案例/场景：评分卡与集成模型在决策流中的分工
假设一个消费金融申请场景，决策流需要同时处理反欺诈、信用风险与额度定价。规则层先做黑名单、年龄、地域等硬拦截；评分层使用逻辑回归评分卡输出信用分，用于通过/拒绝与额度区间划分；集成模型对边缘样本做二次排序，识别规则与评分卡都难以区分的“灰名单”客户。
| 模型类型 | 可解释性 | 精度 | 稳定性 | 典型用途 |
|---|---|---|---|---|
| 评分卡 | 高 | 中 | 高 | 信用审批、额度定价 |
| 逻辑回归 | 高 | 中 | 高 | 概率输出、融合基线 |
| 决策树 | 中 | 中低 | 低 | 规则提取、特征探索 |
| 随机森林 | 低 | 高 | 中 | 特征重要性、稳健排序 |
| GBDT/XGBoost | 低 | 很高 | 中 | 高精度排序、灰名单识别 |
评估指标方面，AUC衡量整体排序能力，KS衡量最大区分度，PSI监控分数分布稳定性。融合决策流中，还需关注规则命中率、评分阈值通过率、坏账率与人工复核率之间的平衡。
四、误区/复盘：常见问题与改进方向
误区一：只看AUC，忽略业务阈值。AUC高不代表在某个通过率下坏账率最优。应结合KS与业务成本曲线选择阈值。
误区二：特征穿越。训练时使用了未来信息，导致离线指标虚高、上线后迅速衰减。必须严格按时间切分样本。
误区三：过度依赖集成模型。集成模型精度高但可解释性差，在需要向监管或业务解释的场景中，应保留评分卡作为主模型或兜底模型。
误区四：忽视稳定性监控。PSI超过0.1或0.25时需预警，分数分布漂移往往先于坏账率上升出现。
复盘时建议建立模型卡片，记录标签定义、样本窗口、特征清单、训练参数、评估指标与上线阈值。融合决策流中的评分模型不是孤立存在的，它需要与规则层共享特征口径、与决策层共享阈值配置，才能形成可监控、可迭代的闭环。