想象你走进银行的信贷部，这里的空气里弥漫着一种特殊的“体检”氛围。你不是来检查身体，而是来检查“信用健康”——银行会把你所有的借钱、还钱、透支、逾期行为送进一台巨大的信用体检仪，最后吐出一张和体检报告长得一模一样的单子：FICO信用评分。分数从 300 到 850，数字越高，说明你的“信用身体”越强壮，银行就越敢借钱给你，甚至给你更低的利率。 这台体检仪有五个“科室”：支付历史、欠款金额、信用历史、新开账户、信用类型。每个科室的数据不是简单相加，而是要经历分箱、WOE、IV、逻辑回归、评分刻度映射这一整套体检流水线——就像抽血化验、拍X光片、量血压一样层层加工。最后还要定期做 PSI 稳定性复查，确保体检标准没有失效。本文就从一张体检报告单出发，把 FICO 升级背后的每一步讲透。

岗位关联

信用评分模型是金融风控的“基础设施”，理解它等于掌握信贷、消费金融、反欺诈领域最核心的建模逻辑，是 AI 从业者进入金融行业的必修课。

目录
  1. 可视化演示
  2. 评分模型概念
  3. 数据特征分箱
  4. WOE与IV值
  5. 逻辑回归建模
  6. 评分刻度映射
  7. 模型评估监控
  8. 工程落地实践
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示传统FICO五维权重评分、AI增强XGBoost树集成与替代数据特征重要性、模型监控KS分布分离度与PSI稳定性指标。

本节配有交互动效（进入视口后自动加载，约 3KB）。

传统FICO五维评分模型 还款历史35%、额度使用30%、信用历史15%、信用组合10%、新申请10%五维加权 逻辑回归输出300-850分，720分属于良好区间 score = Σ(w_i × factor_i) → 300-850 FICO简单可解释但无法捕捉非线性交互

评分模型概念

推开信贷部的大门，你最先看到的是一张彩色体检单——FICO 评分。FICO 是由美国 Fair Isaac 公司研发的信用评分体系，三大信用局（Equifax、Experian、TransUnion）都基于它输出分数。这张体检单把一个人几十年的信贷行为浓缩成一个 300 到 850 之间的数字，就像把身高、体重、血常规、尿常规、心电图浓缩成“健康”或“亚健康”的结论。

这个分数由五个“体检科室”的报告汇总而来：支付历史占比最高，相当于体检中的“主诉病史”，看你是不是总是按时还钱；欠款金额看你的负债压力，像量血压，超过红线就危险；信用历史看账户存在了多久，像骨密度，需要时间沉淀；新开账户看短期行为，像查发烧，突然飙升需要警惕；信用类型看账户多样性，像膳食搭配，丰富才是好事。

如果把五个科室的结论拆开看，行业通用的近似权重如下：

所以，当你去申请房贷时，银行看的不是“你过去赚多少钱”，而是这张由五科室汇总的信用体检单。分数越高，银行越愿意以低利率借钱给你；分数低于 620，很多银行会直接按下“拒绝”按钮。理解了这一点，你就抓住了信用评分模型的骨架。

Score≈0.35×History+0.30×Owe+0.15×Age+0.10×New+0.10×Type\displaystyle Score \approx 0.35 \times History + 0.30 \times Owe + 0.15 \times Age + 0.10 \times New + 0.10 \times Type
这个公式是“形象化的理解”——真实的 FICO 模型是不公开的复杂打分逻辑，但五个维度的相对重要性公认如此。
  1. 支付历史权重最大0.35 的系数说明过去是否按时还款，是预测未来违约最强的信号。
    whistory=0.35\displaystyle w_{history} = 0.35
  2. 欠款与信用历史居中当前负债水平和信用记录长度，分别贡献 0.30 和 0.15。
    wowe=0.30,wage=0.15\displaystyle w_{owe} = 0.30, \quad w_{age} = 0.15
  3. 新账户与类型补充信息短期行为和账户多样性各占 0.10，起微调和防欺诈作用。
    wnew=0.10,wtype=0.10\displaystyle w_{new} = 0.10, \quad w_{type} = 0.10

数据特征分箱

体检报告上，血压不会写成“121.37“，而是被分成”正常、偏高、高血压“几个档位。这种把连续数值切成区间的方式，在信用评分里叫分箱。为什么要分箱？因为原始特征（比如”负债金额 47,832.5 元”）对违约的影响往往不是线性的，而且极端值会剧烈干扰模型。分箱就像把血压 130 和 200 的病人区别对待——130 可能只是偏高，200 则是高危。

最常用的三种分箱方法是等距分箱、等频分箱和最优分箱。等距分箱像用尺子量：把最大值和最小值的差等分成 k 段，每段宽度相同。等频分箱像按人数切蛋糕：每箱的样本数量一样多，避免某些箱人数太少。最优分箱则靠决策树或卡方检验自动寻找切点，让每个区间内坏客户占比差异显著。

等距分箱的宽度计算公式：

分箱完成后，每个客户不再被看作“一个精确数字”，而是归属于某个档位。这就像体检单上不写血压 133.7，而写“偏高”。这样的模糊化反而提高了模型的稳定性——今天 133，明天 134，不会导致评级跳变。

width=max⁡(x)−min⁡(x)k\displaystyle \text{width} = \frac{\max(x) - \min(x)}{k}
等距分箱简单直观，但遇到极端值会导致某个箱子几乎没人；等频分箱用“每箱等人数”缓解了这个问题。
  1. 求极差用特征的最大值减去最小值，得到数据覆盖的总跨度。
    R=max⁡(x)−min⁡(x)\displaystyle R = \max(x) - \min(x)
  2. 除以箱数把总跨度等分成 k 份，k 由人工设定，通常取 5 到 20。
    width=Rk\displaystyle \text{width} = \frac{R}{k}
  3. 生成边界从最小值开始，依次累加宽度，得到分箱边界。
    bj=min⁡(x)+j×width,j=1,2,…,k\displaystyle b_j = \min(x) + j \times \text{width}, \quad j = 1,2,\dots,k

WOE与IV值

分箱之后，每个档位里有多少好客户、多少坏客户？两者的比例差别，决定了这个档位的“风险味道”。WOE（证据权重）就是量化这种味道的指标。它计算的是：该箱中好客户占比与坏客户占比的比值的对数。比值越大，WOE 为正值且越大，说明这个箱子的客户越“干净”。

有了每个箱的 WOE，还要衡量整个特征的“总区分力”，这就是 IV（信息值）。IV 把每个箱的好坏占比差乘以对应 WOE 再加总：

在体检中心的语境里，WOE 像是每个体检项目的“异常信号强度”，而 IV 是这个项目整体的“筛查价值”。一个 IV 很低的科室——比如“血型”——再怎么说也不能帮医生判断有没有高血压，直接淘汰，节省体检成本。

WOEi=ln⁡(Goodi/GoodtotalBadi/Badtotal)\displaystyle WOE_i = \ln\left(\frac{Good_i / Good_{total}}{Bad_i / Bad_{total}}\right)
IV 值越大，特征区分能力越强。行业常用标准：IV < 0.02 视为无预测力，0.02~0.1 弱，0.1~0.3 中等，0.3~0.5 强，> 0.5 极强但需警惕过拟合。
  1. 好坏占比差计算第 i 档好客户和坏客户的占比差，表示这一档的“风险偏斜度”。
    Δi=gi−bi\displaystyle \Delta_i = g_i - b_i
  2. 乘上 WOE 加权用 WOE 作为权重，让偏斜方向与强度一致的箱贡献更多，防止正负抵消。
    IVi=Δi×WOEi\displaystyle IV_i = \Delta_i \times WOE_i
  3. 全字段求和把每个档位的 IV 贡献累加，得到特征整体的信息值。
    IV=∑i=1nIVi\displaystyle IV = \sum_{i=1}^{n} IV_i

逻辑回归建模

老中医看病，靠的是几十年经验：望、闻、问、切，各项线索在脑中加权。逻辑回归，就是把老中医的经验“公式化”：每个线索给一个权重，加权求和后，再通过一个 S 形曲线输出违约概率。它可解释性极强——每个特征的系数 β 直接告诉你“年龄每大一岁，违约风险怎么变”。这在强监管的金融行业里是巨大优势，因为要让审计部门看得懂。

逻辑回归的核心是 logit 变换，把概率 p 映射到整个实数轴：

训练时，模型会同时加 L1 或 L2 正则化，相当于在经验公式后面加一条“不能太激进”的约束，防止为了拟合历史数据而把某个权重调得过大。这样一来，评分卡模型就兼备了老中医的智慧、数学家的严谨，以及审计员的安心——每个维度的贡献都能清楚写进“体检报告”。

ln⁡(p1−p)=β0+β1x1+β2x2+⋯+βnxn\displaystyle \ln\left(\frac{p}{1-p}\right) = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \cdots + \beta_n x_n
p 是违约概率，p/(1-p) 是“坏好比”（odds）。等号右边是特征的线性加权和，通过极大似然估计求解参数 β。
  1. odds 的定义违约概率 p 与不违约概率 1−p 的比值，称为 odds（坏好比）。
    odds=p1−p\displaystyle odds = \frac{p}{1-p}
  2. 取对数变线性对 odds 取自然对数，把概率的 S 曲线“拉直”，变成一个线性可拟合的问题。
    \displaystyle \logit(p) = \ln\left(\frac{p}{1-p}\right)
  3. 特征加权求和截距 β₀ 加上每个特征 xⱼ 与权重 βⱼ 的乘积，构成线性得分。
    z=β0+∑j=1nβjxj\displaystyle z = \beta_0 + \sum_{j=1}^{n} \beta_j x_j
  4. 反解概率训练完成后，任意新客户的特征代入公式，反解出违约概率 p 用于后续评分。
    p=11+e−z\displaystyle p = \frac{1}{1 + e^{-z}}

评分刻度映射

模型输出的是违约概率，比如 3.7%。问题是，客户看到“3.7%“会一头雾水，银行风控委员会讨论时也费劲。于是，要把概率翻译成通俗易懂的 300~850 分——就像把复杂的化验单翻译成”综合健康指数”。翻译方法不是随意的，而是保证：odds 每翻一倍，分数固定下降 PDO 分。

评分映射的核心公式：

体检中心给出的“健康指数”之所以人人能懂，是因为它有一套固定的换算规则。FICO 升级评分同样如此：600 分是风险分水岭，700 分以上算优质，750 分以上银行甚至愿意主动给你提额。客户的信用健康，就这么被压缩成了一个数字。

Score=Offset+Factor×ln⁡(odds)\displaystyle Score = Offset + Factor \times \ln(odds)
Offet 是基准分对应的偏移量，Factor 是比例因子，它们由“基准分数”、“基准 odds”和 PDO 三个设定值共同决定。
  1. 设定基准刻度人为规定某个 odds 下的分数，例如 odds = 1（好坏各半）时分数为 600 分。
    Score0=600,odds0=1\displaystyle Score_0 = 600, \quad odds_0 = 1
  2. 计算比例因子 FactorPDO 表示 odds 每翻一倍时分数减少的量，常取 20 或 25。
    Factor=PDOln⁡(2)≈28.85(PDO=20)\displaystyle Factor = \frac{PDO}{\ln(2)} \approx 28.85 \quad (PDO = 20)
  3. 反解偏移量 Offset把基准分数和基准 odds 代入公式，推导出 Offset。
    Offset=Score0−Factor×ln⁡(odds0)\displaystyle Offset = Score_0 - Factor \times \ln(odds_0)
  4. 代入任意 odds 得分对新客户的违约概率取 odds，线性计算出最终分数。
    Score=600+28.85×ln⁡(oddsodds0)\displaystyle Score = 600 + 28.85 \times \ln\left(\frac{odds}{odds_0}\right)

模型评估监控

体检报告印出来，能不能信？判断标准取决于“好客户和坏客户能不能被这张体检单分开”。KS 统计量衡量的是：把所有人按分数从低到高排队，坏客户的累计分布与好客户的累计分布之间，最大差距有多大。差距越大，说明评分越能区分两类人。想象体检仪要能把健康和生病人群分成泾渭分明的两条曲线，而不是搅在一起。

除了 KS，AUC 也是常用指标——随机抽一个坏客户和一个好客户，模型给坏客户打更高分的概率。AUC 越接近 1 越好，0.85 以上就相当优秀。但模型上线后不是一劳永逸的：今年适用的评分标准，明年可能因为人群结构变化而失效。这时就要靠 PSI（群体稳定性指数）按月复查评分分布，就像体检中心每年要校准设备，防止量血压的仪器偏差过大。PSI 超过 0.25，说明分布发生显著漂移，必须重训模型。

KS=max⁡t∣CDFbad(t)−CDFgood(t)∣\displaystyle KS = \max_t \left| CDF_{bad}(t) - CDF_{good}(t) \right|
KS 值通常在 0.2~0.75 之间，越大区分力越强。0.4 以上已经是不错的评分卡。
  1. 累计分布差在任意分数阈值 t 处，计算坏客户累计占比与好客户累计占比的差。
    D(t)=CDFbad(t)−CDFgood(t)\displaystyle D(t) = CDF_{bad}(t) - CDF_{good}(t)
  2. 求最大值遍历所有可能的阈值 t，找出 D(t) 绝对值的最大值。
    KS=max⁡t∣D(t)∣\displaystyle KS = \max_t |D(t)|
  3. 类比解读KS 就像体检报告“健康线”与“疾病线”拉开的最大距离，越宽越可信。

工程落地实践

体检中心每天要接待成千上万人，光有优秀的体检方法还不够，得有一套能扛住高峰的流水线。信用评分模型的工程落地，就是把“体检单生成”做成一条自动化的生产线：白天收集数据，凌晨批量加工特征，早晨输出每个人的分数，然后提交给信贷审批系统做最终决策。

数据管线负责把分散在核心系统、征信机构、第三方数据源的原始数据清洗、拼接、分箱、WOE 转换。评分服务上线时，模型会被封装成 PMML 文件或 Java 服务，以微服务的形式供信贷系统调用，单次评分响应要控制在几十毫秒内。上线后，监控看板每天追踪坏账率、AUC 回降、PSI 漂移，任何一个指标越界都会触发告警。

坏账率是最直观的业务指标：

整个“体检中心”运转起来后，评分卡还会与反欺诈模型联动：评分低于阈值但欺诈特征异常突出的客户，直接进入人工审核队列。从数据到决策，每一个环节都在与风险赛跑，这就是 FICO 升级版在金融行业 AI 深度应用中的真实姿态。

BadRatet=BadtTotalt×100%\displaystyle \text{BadRate}_t = \frac{\text{Bad}_t}{\text{Total}_t} \times 100\%
坏账率 = 当月违约客户数 ÷ 当月放款客户数，它直接反映评分模型在真实业务中的“体检准确性”。
  1. 统计当月违约数从贷后系统中筛出本周期内发生逾期的客户数量。
    Badt=该周期违约客户数\displaystyle Bad_t = \text{该周期违约客户数}
  2. 统计当期放款总数同一周期内实际放款的客户总数作为分母。
    Totalt=该周期放款客户数\displaystyle Total_t = \text{该周期放款客户数}
  3. 计算百分比两者相除并乘以 100%，得到坏账率，与业务目标对照。
    BadRatet=BadtTotalt×100%\displaystyle \text{BadRate}_t = \frac{Bad_t}{Total_t} \times 100\%

AI 应用场景

信用卡审批自动化

阶段：贷前审批决策

解决的问题：传统审批依赖人工审核，效率低、主观性强。AI 评分卡把客户历史信贷行为、负债水平、征信查询次数等特征自动转化为 300~850 分，结合规则引擎实现“秒级批卡”。

具体案例：某股份制银行在信用卡申请入口接入 FICO 升级评分卡，对日均 10 万笔申请实时打分。分数 ≥ 720 自动批卡，620~720 转人工复核，< 620 婉拒。上线后审批时效从 2 天缩至 30 秒，坏账率下降 18%。

贷后风险预警

阶段：贷后监控管理

解决的问题：贷款发放后，客户风险随时间变化，静态评分会失效。利用 PSI 指数按月追踪评分分布，结合坏账率指标，提前发现高危客群并触发催收策略调整。

具体案例：某消费金融公司发现某期产品的评分分布 PSI 从 0.08 飙升至 0.31，进一步定位到是疫情后部分行业收入波动导致的特征漂移。风控团队迅速下调该客群授信额度，并上线专项催收策略，将预期损失降低 27%。

反欺诈联动

阶段：实时欺诈拦截

解决的问题：信用评分衡量“还款意愿”，欺诈检测衡量“身份真伪”。两者结合，才能同时挡住“老赖”和“骗子”。评分卡输出信用分，欺诈模型输出欺诈概率，联合决策矩阵决定放行、拒绝或人工审核。

具体案例：某互金平台在放款环节同时调用信用评分卡和反欺诈模型。若客户信用分 ≥ 700 但欺诈分数极高，系统判定为“盗用他人身份申请贷款”，直接拦截并触发二次人脸核验。该联动策略上线后，团伙欺诈损失下降 41%。

Python 演示

python51 行
import numpy as npfrom sklearn.linear_model import LogisticRegressionfrom sklearn.metrics import roc_auc_score rng = np.random.RandomState(42)n = 2000age = rng.randint(18, 70, n)debt_ratio = rng.uniform(0, 0.8, n)true_score = 0.04 * age - 2.2 * debt_ratio + rng.randn(n) * 0.3p = 1 / (1 + np.exp(-true_score))y = (rng.rand(n) < p).astype(int)print("模拟样本: 总客户", n, " 坏客户", int(y.sum())) bins = [(18, 25), (25, 35), (35, 45), (45, 60), (60, 70)] def build_woe(x, y, bins):    total_good = np.sum(y == 0)    total_bad = np.sum(y == 1)    woe_arr = []    iv = 0.0    for left, right in bins:        mask = (x >= left) & (x < right)        good = np.sum((y == 0) & mask)        bad = np.sum((y == 1) & mask)        g = good / total_good        b = bad / total_bad        w = np.log(g / np.maximum(b, 1e-6))        woe_arr.append(w)        iv += (g - b) * w    return np.array(woe_arr), iv age_woe, age_iv = build_woe(age, y, bins)print("年龄分箱WOE:", np.round(age_woe, 3))print("年龄IV值:", round(age_iv, 4)) age_woe_map = np.zeros(n)for i, (left, right) in enumerate(bins):    mask = (age >= left) & (age < right)    age_woe_map[mask] = age_woe[i] model = LogisticRegression()model.fit(age_woe_map.reshape(-1, 1), y)prob = model.predict_proba(age_woe_map.reshape(-1, 1))[:, 1]print("逻辑回归AUC:", round(roc_auc_score(y, prob), 4)) factor = 20 / np.log(2)offset = 600 - factor * np.log(1.0)score = offset + factor * np.log(prob / np.maximum(1 - prob, 1e-6))score = np.clip(score, 300, 850)print("评分映射范围:", round(score.min(), 1), "-", round(score.max(), 1))print("平均分:", round(score.mean(), 1))
目的：从模拟数据出发，走完“分箱 → WOE/IV → 逻辑回归 → 评分刻度映射”的 FICO 评分卡建模全流程，输出每个环节的关键指标。
  1. rng = np.random.RandomState(42)固定随机种子，保证每次运行结果可复现。
  2. true_score = 0.04 * age - 2.2 * debt_ratio + ...模拟真实的违约倾向：年轻且负债高的人风险更高。
  3. p = 1 / (1 + np.exp(-true_score))用 sigmoid 函数把连续分数转换成违约概率。
  4. build_woe(x, y, bins)自定义函数实现分箱后的 WOE 计算，同时累加 IV。
  5. w = np.log(g / np.maximum(b, 1e-6))计算好客户占比与坏客户占比比值对数，加微小值防止除零。
  6. iv += (g - b) * w累加每个箱的 IV 贡献，得到特征整体区分力。
  7. model.fit(age_woe_map.reshape(-1, 1), y)用 WOE 转换后的特征训练逻辑回归。
  8. factor = 20 / np.log(2)设定 PDO=20，计算评分映射的比例因子，约 28.85。
  9. score = offset + factor * np.log(prob / np.maximum(1 - prob, 1e-6))把违约概率映射成 300~850 的信用分数。
  10. np.clip(score, 300, 850)把极端分数裁剪到合法区间，保证输出解释一致。

常见误区

误区我听说 FICO 满分 850，那我要努力把分数刷到 850，这样银行一定最喜欢我。

正解850 分在现实中几乎不存在，700 分以上就足以享受最优利率。刻意追求满分可能意味着频繁开卡、短期大量借贷等异常行为，反而触发反欺诈预警。体检报告中“全部箭头朝下”不现实，关键指标在绿区即可。

为何常见：人们天然把评分当成“考试分数”，认为越高越好，忽略了信用评分是风险预测工具而非荣誉排行榜。

误区分箱就是把数据切得越细越精确，我分成 50 箱肯定比 5 箱更能保留信息。

正解分箱过细会导致每个箱内样本太少，WOE 估计不稳定；训练集上表现好，上线后却剧烈波动。就像血压档位若按每 1 mmHg 分一档，正常波动就让人在“绿色区”和“黄色区”之间来回横跳。一般 5~10 箱最常见，最优分箱还要看 IV 的稳定性。

为何常见：初学者容易把“信息保留”当作唯一目标，忽略了模型泛化的核心诉求。

误区现在 AI 都上深度学习了，风控模型直接用神经网络不是更准吗？

正解金融风控是强监管领域，银保监会要求模型可解释、可审计。逻辑回归的每个系数都能说出来“年龄每增加一岁，评分降低几分”，深度学习却像黑盒，难以解释拒贷理由。体检报告拿给病人看，得能说明白每个指标为啥异常，而不是只给一个“AI 诊断结论”。

为何常见：技术选型容易被“先进”二字绑架，忽略了业务场景对透明度的刚性约束。

误区模型上线时 AUC 0.87，KS 0.45，都达标了，以后看板自动出分就行。

正解客户群体的信贷行为会随时间漂移——经济周期、政策调整、竞品策略都会改变人群分布。PSI 超过 0.25 必须告警并启动重训，坏账率连续三个月抬升也要彻查。体检中心的设备必须定期校准，否则量尺偏了，再好的仪器也会误诊。

为何常见：项目上线给人“完成感”，忽略了风控模型是一个需要持续运营的“动态系统”。

误区特征筛选就用 IV 排序，IV 最大的特征一定是最好的，我无脑选排前几名。

正解IV 过高往往意味着特征包含了“未来信息”或与目标变量存在循环定义。比如“本轮账单是否逾期”在预测坏客户时 IV 极高，但这等于用已经发生的结果预测结果，属于数据泄漏。体检中若某项指标“一查一个准”，要怀疑它是否直接反映已确诊疾病，而非真正的预测因子。

为何常见：把统计指标当成绝对真理，忽略了业务逻辑层面的合理性审查。

面试题

Q1. FICO 信用评分的正常范围是多少？

单选题 · easy

  • A.300 到 850 分← 正确答案
  • B.100 到 900 分
  • C.0 到 1000 分
  • D.200 到 950 分

答案：A。FICO 评分标准范围是 300~850 分，这是行业公认的区间。100~900、0~1000、200~950 都是其他评分体系或编造的区间，不符合 FICO 实际设定。

Q2. FICO 五个维度中权重最大的是哪一项？

单选题 · easy

  • A.欠款金额
  • B.支付历史← 正确答案
  • C.信用历史
  • D.信用类型

答案：B。支付历史占比约 35%，是五个维度中最高的，因为“过去是否按时还钱”是预测未来违约最强的信号。欠款金额是 30%，信用历史是 15%，新开账户和信用类型各 10%。

Q3. WOE 值为 0 时，说明什么？

单选题 · mid

  • A.该分箱没有客户
  • B.该分箱好坏客户占比完全相同← 正确答案
  • C.该分箱全是坏客户
  • D.该分箱特征缺失

答案：B。WOE = ln（好客户占比/坏客户占比），当两者相等时比值为 1，ln(1)=0，说明该箱没有区分风险的能力。选项 0、2、3 都会导致 WOE 为负无穷大、正无穷大或无法计算。

Q4. 逻辑回归中 logit 变换的作用是什么？

单选题 · mid

  • A.把特征标准化到 0~1
  • B.把 0~1 的概率映射到整个实数轴← 正确答案
  • C.消除特征间的相关性
  • D.提高模型训练速度

答案：B。logit(p) = ln(p/(1-p))，把取值 0~1 的概率映射到 (−∞,+∞)，使概率问题变成线性回归可解的连续值问题。选项 0 是 sigmoid 的输出方向，选项 2、3 不是 logit 变换的功能。

Q5. 常见的分箱方法包括哪些？

多选题 · mid

  • A.等距分箱← 正确答案
  • B.等频分箱← 正确答案
  • C.最优分箱← 正确答案
  • D.随机分箱

答案：ABC。等距分箱按宽度切分，等频分箱按样本量切分，最优分箱用决策树等算法寻找最佳切点，三者都是常用方法。随机分箱是干扰项，无业务意义。

Q6. 设 PDO=20，评分映射的比例因子 Factor 约为多少？

单选题 · hard

  • A.28.85← 正确答案
  • B.13.86
  • C.0.035
  • D.6.91

答案：A。Factor = PDO/ln(2) = 20/0.693 ≈ 28.85。它表示 odds 每翻一倍时分数变化的量级，是评分刻度映射的核心参数。其余选项来自 PDO 与 ln(2) 的错误运算组合。

Q7. 构建评分刻度映射时需要预先设定哪些参数？

多选题 · mid

  • A.基准分数← 正确答案
  • B.基准 odds← 正确答案
  • C.PDO 值← 正确答案
  • D.学习率

答案：ABC。基准分数设定某 odds 对应的分数，PDO 决定 odds 翻倍时分数的变化量，三者共同推导出 Offset 和 Factor。学习率是训练阶段的超参数，与评分刻度映射无关。

Q8. KS 统计量衡量的是什么？

单选题 · hard

  • A.特征间的相关系数
  • B.好坏客户累计分布的最大差距← 正确答案
  • C.模型预测值与真实值的均方误差
  • D.评分分布的月度偏移量

答案：B。KS = max|CDF_bad(t) − CDF_good(t)|，衡量模型把好客户和坏客户分开的能力。选项 0 是特征工程概念，选项 2 是回归误差，选项 3 描述的是 PSI。

Q9. PSI 指数主要用在哪里？

单选题 · mid

  • A.特征分箱
  • B.模型上线后的分布漂移监控← 正确答案
  • C.逻辑回归参数求解
  • D.缺失值填充

答案：B。PSI（群体稳定性指数）对比训练集与线上实际评分的分布差异，判断模型是否因为人群变化而失效。PSI 超过 0.25 需要启动重训。其余选项与稳定性的语义无关。

Q10. 信用评分模型常见的工程落地手段有哪些？

多选题 · hard

  • A.用 PMML 封装模型供线上调用← 正确答案
  • B.评分服务与反欺诈引擎联动决策← 正确答案
  • C.每日监控坏账率与 AUC 回降← 正确答案
  • D.模型上线后永久冻结不再调整

答案：ABC。PMML 封装解决跨平台部署，反欺诈联动应对团伙欺诈，坏账率与 AUC 监控保证模型持续有效。选项 3 与持续监控原则矛盾，模型需要定期重训而非永久冻结。