本站原创文章，转载请说明来自《老饼讲解-机器学习》www.bbbdata.com
评分卡中的变量分析(数据预处理)一般是指分析出哪些变量与y相关，
但实际中也包括了"对数据的清洗"和"对变量进行分箱"两项工作。
本文综合介绍实际项目中变量分析常用的技术，通过本文大概了解相关技术的内容。
Base方法-BadRate分析法
评分卡中最Base的传统方法是Badrate分析方法，
Badrate方法是先对x进行分组，
然后分析每组x的Badrate是否有趋势来确定x是否与y相关，
并通过调整分组逻辑，使x分组后与y的关系更加稳定、明显。
Badrate的分组逻辑必须符合业务逻辑，
这使得分组后每个变量都是符合业务逻辑的，
使得训练出来的模型也更加符合业务逻辑。
可以说，Badrate方法整个是用业务逻辑在保驾护航。
自动化方法-iv法
BadRate方法自身基于业务逻辑，
好处是训练后的模型更贴切业务逻辑，
但必须投入分析师大量的人力、时间，
去精细磨炼。
但有些时候，需要自动化，那么Badrate法就不行了。
就产生了一套自动化建立评分卡的方法，
它需要解决两个问题
1、自动分箱
2、自动筛选变量
自动分箱常用的算法有决策树分箱、最大KS分箱、卡方分箱等，
筛选变量则根据分箱后的IV值来确定变量是否有效。
也就用iv+自动分箱算法来完成
关于小贷评分模型的技术栈
小贷评分模型中存在两条比较常见的技术栈
传统方法 ：Badrate法+评分卡模型
自动化方法 ：人工变量池+自动分箱+IV选变量+评分模型
说是技术栈，也可以说是技术派系，我们不妨简称为Badrate系和IV系
Badrate系
Badrate系的重心与焦点是重业务，
每个环节都需要经得起业务逻辑的考验，
往往最终入模的变量也不过20多个。
IV系
IV系则是重数据，
它的每个环节基本都尽量自动化，
先拼命往变量池里丢一大堆变量，
然后通过后面的自动分箱，自动变量筛选和建模，得到最终的模型。
IV系更看重的是数据上的表现效果,而不需要模型具有可解释性，
因此使用的模型也不局限于逻辑回归，
更多时候是什么模型在数据上的表现好，就用什么模型，
目前一般更倾向于使用xgboost。
实际应用
以上只是较为极端地描述两条技术栈，
在实际中，两条技术栈不是完全平行的，会综合使用
例如BadRate系，
也会使用一些自动化技术来辅助整个建模过程，
例如，看下IV值来确定变量要不要用，
或者，借鉴下自动分箱结果优化自己的分箱逻辑。
只是不管怎么样，Badrate系整个建模始终用"业务的眼光"监督着。
再如一个IV系，
也不是完全对业务逻辑不闻不问，
也可能是半自动化，
用自动分箱+IV法筛选掉大量变量后，
再看所有变量的BadRate分析趋势，
筛掉完全经不住业务考验的变量。
等等....，
只是不管怎么样，IV系最关心的是，
模型使用了哪些数据，最终模型的预测表现如何。
空唬外行人
如果你听到某公司，使用金融数据技术，综合了客户数百个变量，评出用户的质量，那这一定是IV系。
行外人一听，
一个模型用了数百个变量
，而另一个公司只用了20个变量，
感觉用了数百个变量很牛X，
但经过本文，我们就了解它们到底是怎么回事了。
虽然BadRate系只用了20个变量，
但这20个变量都是高质量的，
这20个变量有业务逻辑兜底的，是很有保障的模型，
而IV系的模型用了数百个变量的，但里面的变量并不都那么可靠，
哪天出了幺蛾子谁也说不清怎么回事
技术栈的选择
两种派系并非只有单纯的建模方法，
各自沉淀的还有自己独有的一套运营方法，
没有哪种更好，只有哪种更适合。
例如，
你在一家银行，那么，肯定就是走Badrate系了，
这是综合因素决定的，并非哪种建模方法更优。
选用哪种，并非是由建模师决策，
而是由企业上层的基因、资源、战略、需求等等决定。
如果真的由建模师拍板采用哪套技术栈，
那么，建模师也是综合以上因素,
确定哪个派系的思想更适合公司的水土，
进而决定使用哪套，而非技术本身。
End