/autobmt

a modeling tool that automatically builds scorecards and tree models.

Primary LanguagePythonMIT LicenseMIT

##自动构建评分卡

**碰撞

微信 微信公众号
RyanZheng.png 魔都数据干饭人.png
干饭人 魔都数据干饭人

仓库地址:https://github.com/ZhengRyan/autobmt

微信公众号文章:https://mp.weixin.qq.com/s/u8Nsp5M93WIGL2M0tU4U_g

pipy包:https://pypi.org/project/autobmt/

实验数据:链接: https://pan.baidu.com/s/1BRIHH9Wcwy2EZaO5xSgH9w?pwd=tdq5 提取码: tdq5

一、环境准备

可以不用单独创建虚拟环境,都是日常常用的python依赖包。需要创建虚拟环境,请参考"五、依赖包安装"

autobmt 安装

pip install(pip安装)

pip install autobmt # to install
pip install -U autobmt # to upgrade

Source code install(源码安装)

python setup.py install

二、使用教程

1、1行代码自动构建评分卡:请查看autobmt/examples/autobmt_lr_tutorial_code.py。里面有例子

2、1步1步拆解自动构建评分卡的步骤:请查看autobmt/examples/tutorial_code.ipynb。里面有详细步骤拆解例子

三、训练、自动选变量、自动单调最优分箱、自动构建模型、自动构建评分卡

1、Step 1: EDA,整体数据探索性数据分析

2、Step 2: 特征粗筛选

3、Step 3: 对粗筛选后的变量调用最优分箱

4、Step 4: 对最优分箱后的变量进行woe转换

5、Step 5: 对woe转换后的变量进行stepwise

6、Step 6: 用逻辑回归构建模型

7、Step 7: 构建评分卡

8、Step 8: 持久化模型,分箱点,woe值,评分卡结构

9、Step 9: 持久化建模中间结果到excel,方便复盘

四、保存的建模结果相关文件说明

1、all_data_eda.xlsx:整体数据的EDA情况

2、build_model_log_var_jpg文件夹,最终入模变量的分箱画图,在"build_model_log.xlsx"最后1个sheet也有记录

3、build_model_log.xlsx:构建整个模型的过程日志,记录有利复盘

4、fb.pkl、woetf.pkl、lrmodel.pkl、in_model_var.pkl:fb.pkl分箱文件,woetf.pkl转woe文件,lrmodel.pkl模型文件,入模变量文件

5、scorecard.pkl、scorecard.csv、scorecard.json:评分卡的pkl、csv、json格式。在"build_model_log.xlsx"的"scorecard_structure"sheet也有记录

6、var_bin_woe_format.csv、var_bin_woe_format.json、var_bin_woe.csv、var_bin_woe.json、var_split_point_format.csv、var_split_point_format.json、var_split_point.csv、var_split_point.json:分箱文件和转woe文件的csv、json格式

7、lr_auc_ks_psi.csv:模型的auc、ks、psi

8、lr_pred_to_report_data.csv:构建建模报告的数据

9、lr_test_input.csv:用于模型上线后,将次数据喂入模型,对比和lr_pred_to_report_data.csv结果是否一致。验证模型上线的正确性

五、依赖包安装(建议先创建虚拟环境,不创建虚拟环境也行,创建虚拟环境是为了不和其它项目有依赖包的冲突,不创建虚拟环境的话在基础python环境执行pip install即可)

####创建虚拟环境 conda create -y --force -n autobmt python=3.7.2 ####激活虚拟环境 conda activate autobmt

依赖包安装方式一,执行如下命令安装依赖的包

pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/