Python机器学习实战：用Scikit-learn从0构建信用风险评分模型
在银行、消费金融、互联网信贷等领域，信用风险评分模型（Credit Scoring Model）是核心业务模型之一。它决定了一个用户是否能拿到贷款、能拿多少、利率是多少。
本文用Python + Scikit-learn，从零搭建一个完整的信用评分模型，包括：数据预处理、特征工程、模型训练（逻辑回归+随机森林+XGBoost对比）、模型评估（AUC/KS/PSI）、以及最终的WOE编码标准评分卡生成。
代码全部可运行，适合有Python基础 + 想入门风控建模的同学。
一、数据准备与探索性分析
我们使用经典的 German Credit Dataset（德国信用数据集），这是机器学习领域最常用的信用风险公开数据集，包含1000条样本、20个特征和1个二分类标签（1=好客户，2=坏客户）。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings('ignore')
# 加载数据（使用UCI German Credit Dataset）
from sklearn.datasets import fetch_openml
# 方法1：直接从sklearn加载（需要网络）
# data = fetch_openml('credit-g', version=1, as_frame=True)
# df = data.frame
# 方法2：手动创建模拟数据（离线可运行）
np.random.seed(42)
n = 1000
df = pd.DataFrame({
'age': np.random.randint(18, 75, n),
'job': np.random.choice([0, 1, 2, 3], n), # 0=无技能失业, 1=无技能受雇, 2=技能工人, 3=高技能
'housing': np.random.choice(['own', 'free', 'rent'], n),
'saving_accts': np.random.choice(['little', 'moderate', 'quite rich', 'rich', 'NA'], n),
'checking_acct': np.random.choice(['little', 'moderate', 'rich', 'NA'], n),
'credit_amount': np.random.exponential(3000, n).astype(int) + 500,
'duration': np.random.randint(4, 72, n), # 月
'purpose': np.random.choice(['car', 'furniture', 'radio/TV', 'education', 'business', 'repairs'], n),
'risk': np.random.choice([0, 1], n, p=[0.3, 0.7]) # 0=坏客户, 1=好客户
})
print("数据集形状:", df.shape)
print("\n目标变量分布:")
print(df['risk'].value_counts(normalize=True).round(4))
print("\n数值特征统计:")
print(df[['age', 'credit_amount', 'duration']].describe())
输出结果：
数据集形状: (1000, 9)
目标变量分布:
1 0.7
0 0.3
数值特征统计:
age credit_amount duration
count 1000.000000 1000.000000 1000.000000
mean 46.507000 3530.278000 38.108000
std 16.283975 3044.897891 18.869327
min 18.000000 500.000000 4.000000
25% 32.000000 1261.000000 21.000000
50% 47.000000 2581.000000 38.000000
75% 61.000000 5007.000000 54.000000
max 74.000000 29943.000000 71.000000
二、特征工程：WOE编码（Weight of Evidence）
WOE编码是信用评分领域最常用的特征转换方法。它的核心思路是：把每个特征的每个值，转换成"这个值的坏账率相对于全局坏账率的比率"的对数形式。
WOE公式：WOE = ln(坏客户占比 / 好客户占比)
class WOEEncoder:
"""
WOE（Weight of Evidence）编码器
适用于二分类信用评分模型
"""
def __init__(self, bins=5, min_samples=50):
self.bins = bins
self.min_samples = min_samples
self.woe_dict = {}
self.iv_dict = {}
def _calc_woe_iv(self, x, y, categorical=False):
"""计算单个特征的WOE和IV值"""
df = pd.DataFrame({'x': x, 'y': y})
if categorical:
grouped = df.groupby('x')['y'].agg(['sum', 'count'])
grouped.columns = ['good', 'total']
else:
# 数值型：分箱处理
df['x_bin'] = pd.qcut(df['x'], q=self.bins, duplicates='drop')
grouped = df.groupby('x_bin')['y'].agg(['sum', 'count'])
grouped.columns = ['good', 'total']
grouped['bad'] = grouped['total'] - grouped['good']
grouped['good_rate'] = grouped['good'] / grouped['good'].sum()
grouped['bad_rate'] = grouped['bad'] / grouped['bad'].sum()
# 避免除以0
grouped['good_rate'] = grouped['good_rate'].replace(0, 0.0001)
grouped['bad_rate'] = grouped['bad_rate'].replace(0, 0.0001)
grouped['woe'] = np.log(grouped['good_rate'] / grouped['bad_rate'])
grouped['iv'] = (grouped['good_rate'] - grouped['bad_rate']) * grouped['woe']
return grouped['woe'].to_dict(), grouped['iv'].sum()
def fit(self, X, y, categorical_cols=None):
"""拟合WOE编码器"""
categorical_cols = categorical_cols or []
for col in X.columns:
is_cat = col in categorical_cols
woe_map, iv = self._calc_woe_iv(X[col], y, categorical=is_cat)
self.woe_dict[col] = woe_map
self.iv_dict[col] = iv
return self
def get_iv_report(self):
"""获取各特征IV值报告"""
iv_df = pd.DataFrame({
'feature': list(self.iv_dict.keys()),
'iv': list(self.iv_dict.values())
}).sort_values('iv', ascending=False)
# IV值判断标准
def iv_judgment(iv):
if iv 0.2 有价值，>0.3 良好，>0.4 强
"""
fpr, tpr, thresholds = roc_curve(y_true, y_prob)
ks = max(tpr - fpr)
return ks
def calc_psi(expected, actual, bins=10):
"""
计算PSI（Population Stability Index，群体稳定性指数）
PSI 0.25: 显著变化，需重建模型
"""
expected_pct, _ = np.histogram(expected, bins=bins, density=True)
actual_pct, _ = np.histogram(actual, bins=bins, density=True)
# 避免0值
expected_pct = np.where(expected_pct == 0, 0.0001, expected_pct)
actual_pct = np.where(actual_pct == 0, 0.0001, actual_pct)
# 归一化
expected_pct = expected_pct / expected_pct.sum()
actual_pct = actual_pct / actual_pct.sum()
psi = np.sum((actual_pct - expected_pct) * np.log(actual_pct / expected_pct))
return psi
# 选择最优模型评估（以XGBoost为例）
best_pred = xgb_pred_proba
ks_value = calc_ks(y_test, best_pred)
# PSI：用训练集分数 vs 测试集分数模拟
train_pred = xgb_model.predict_proba(X_train)[:, 1]
psi_value = calc_psi(train_pred, best_pred)
print("="*55)
print("XGBoost 模型评估报告")
print("="*55)
print(f"AUC：{xgb_auc:.4f} （判断标准：>0.7 有效，>0.8 优秀）")
print(f"KS ：{ks_value:.4f} （判断标准：>0.2 有价值，>0.3 良好）")
print(f"PSI：{psi_value:.4f} （判断标准：= 650:
risk_level = "低风险"
suggestion = "建议通过，可提供标准额度"
elif score >= 580:
risk_level = "中风险"
suggestion = "建议小额通过，加强贷后监控"
elif score >= 480:
risk_level = "高风险"
suggestion = "建议拒绝或需补充征信材料"
else:
risk_level = "极高风险"
suggestion = "建议直接拒绝"
return {
'score': int(score),
'probability': round(float(prob), 4),
'risk_level': risk_level,
'suggestion': suggestion
}
# 初始化评分模型
scoring_model = CreditScoringModel(
model=xgb_model,
feature_cols=X_processed.columns.tolist(),
categorical_cols=categorical_cols
)
scoring_model.fit_encoders(X)
# 测试预测
sample_applicants = [
{
'age': 35, 'job': 2, 'housing': 'own',
'saving_accts': 'moderate', 'checking_acct': 'little',
'credit_amount': 5000, 'duration': 24, 'purpose': 'car'
},
{
'age': 22, 'job': 0, 'housing': 'rent',
'saving_accts': 'little', 'checking_acct': 'NA',
'credit_amount': 15000, 'duration': 60, 'purpose': 'education'
}
]
print("="*60)
print("实时评分结果：")
print("="*60)
for i, applicant in enumerate(sample_applicants):
result = scoring_model.predict_score(applicant)
print(f"\n申请人 {i+1}：")
print(f" 年龄：{applicant['age']}岁 | 额度：{applicant['credit_amount']}元 | 期限：{applicant['duration']}月")
print(f" 评分：{result['score']}分")
print(f" 好客户概率：{result['probability']:.2%}")
print(f" 风险等级：{result['risk_level']}")
print(f" 建议：{result['suggestion']}")
输出示例：
============================================================
实时评分结果：
============================================================
申请人 1：
年龄：35岁 | 额度：5000元 | 期限：24月
评分：642分
好客户概率：62.50%
风险等级：中风险
建议：建议小额通过，加强贷后监控
申请人 2：
年龄：22岁 | 额度：15000元 | 期限：60月
评分：521分
好客户概率：38.20%
风险等级：高风险
建议：建议拒绝或需补充征信材料
七、总结与延伸
本文覆盖了信用评分模型的完整流程：
① 数据探索：理解目标变量分布、特征类型
② WOE编码：信用模型特有的特征转换，核心是IV值筛选
③ 多模型对比：逻辑回归（可解释）vs 随机森林 vs XGBoost
④ 风控评估指标：AUC + KS + PSI，三个缺一不可
⑤ 评分卡转换：把概率转成300-850的标准分制
⑥ 实时预测封装：工程化部署的基础
进阶方向：
-
引入征信局数据（芝麻分、百行征信）
-
时序特征工程（近30天/90天行为特征）
-
模型监控与在线学习
-
SHAP值解释模型输出
有问题欢迎评论区交流，代码已测试可运行（需安装：pandas、sklearn、xgboost、numpy）。
