本站原创文章，转载请说明来自《老饼讲解-机器学习》www.bbbdata.com
评分卡最终是以分数的形式输出，而不是直接使用模型的输出。
那么，评分卡是怎么把逻辑回归模型的输出转换成分数的呢？
本文讲解评分卡的分转换与原理推导。
评分卡分数转换出发点
在使用逻辑回归建模完成后，
评分卡需要把逻辑回归模型的结果转换成分数作为最终的输出，
它的目标是把逻辑回归模型的线性部分转换成分数
即最终输出的分数为以下形式：
其中，offset,factor是待确定参数
用线性部分转评分的好处
✍️备注
为什么使用线性部分，而不使用概率(逻辑回归模型的预测结果)进行转换？
使用线性部分转分的好处是，
除了能得到总分数，
还能得到各个特征的得分，
如下：
将 看作基础分，
看作第i个特征的得分，
则总分就是基础分加上所有特征的得分。
这样使评分卡的分数意义更易解释，
也能分析总分低是哪些特征导致的。
而如果用概率转分，就只能得到总分，无法得到单个特征得分。
这就是为什么要用线性部分转分数，而不用概率。
目标总结
评分卡转评分的目标就是，
将逻辑回归模型的线部分WX+b转换成分数，即如下形式：
现需要确定其中offset和factor的具体取值
为什么要理解factor和offset的意义
如果直接拍脑袋确定offset和factor的值，这样是非常盲目的，
因此，需要探讨一下factor和offset的意义，
这样可以使定出来的factor和offset更具目的性
改写评分公式表达式
直接看评分公式较难找到offset-factor的意义，
我们不妨将评分公式改写如下
由逻辑回归模型表达式：
可知线性部分
一般将 记为odds
分数公式也就可以记为：
factor和offset的意义
由
可知，
score是ln(odds)的线性函数，offset是阈值，factor是ln(odds)的系数，
因此，offset和factor 控制了基本分数和odds增长时对应的分数增长量。
因此，要确定offet,factor，
实际上就是要确定基本分数和odds增长时对应的分数增长量。
通过odds确定offset和factor
我们假设odds为d时，评分为B，
且odds每提升k倍时，分数提升S分。
则可通过以上条件求得offset和factor.
【附】odds = P/(1-P) 的含义：是坏样本的概率与是好样本概率的比值
确定factor
由odds每降低k倍时，分数提升S分，可得
可得到：
确定offset
由odds为d时，评分为B，可得
可得到：
公式总结
offset和factor的公式为：
Score公式即为：
其中B,d,k,S代表：
B,d:odds为d时，评分为B
S,k:odds每提升k倍时，分数提升S分
End