Zenn
🙌

金融与信モデル(5)——スコアの計算

2023/09/07に公開

金融与信モデル入門シリーズ

  1. スコアカードの由来
  2. 証拠の重さと情報価値(WOE and IV)
  3. グルーピングの方法(Grouping Method)
  4. 信頼できるAIの要素——PSI(Population Stability Index)
  5. スコアの計算
  6. 実例:モデルの構築

ソースコード:GitHub Repository

スコアカードの仕組み

モデルが出力する確率値をどのようにスコアに変換するのか、また各特徴量のスコアがどのように導出されるのかについて、詳しく説明します。

スコア算出の方法論

ロジスティック回帰の基礎

  1. シグモイド関数による確率変換
  2. 0-1の範囲への出力の制限
  3. 線形回帰に基づく予測値の算出



数式の変換

  1. シグモイド関数の数学的変換
  2. デフォルト確率(p)の定義
  3. デフォルト率比(odds)の導入
  4. 特徴量としてWOE(Weight of Evidence)の使用




スコアのスケーリング

主要パラメータ

  1. スコアカードの基本式
  2. ロジスティック回帰係数(β)
  3. スケーリング定数(A, B)


変換プロセス

  1. 特定のデフォルト確率に対応するスコアの設定
  2. 基準odds(θ0)に対するスコア(P0)の設定
  3. odds比が2倍になった場合のスコア差(PDO)の定義



具体例:
odds = 1/60、目標スコア = 600、PDO = 20の場合
結果:A = 481.86、B = 28.85となり、以下の式が得られます:

実装例

設定条件:odds = 1/60、基準スコア = 600、PDO = 20

最終的なスコアカード:



データサイエンス君のAI教材シリーズ(未経験OK)
教材のターゲット層:

  • 初心者: Pythonとデータ分析の基本を学びたい人
  • 中級者: より高度な分析手法や機械学習を習得したい人
  • レコメンド(推薦)エンジニア: レコメンデーションエンジンを作り、キャリアアップを目指したい人

AI領域に携わりたい方はぜひ!
datasciencekunのAI教材シリーズ

LINE公式アカウント
データサイエンス君のLINE公式アカウント友達募集中
今登録すれば、下記の内容をプレゼントします!

  • 特典資料:AI教材の一部を無料でお送りします!
  • 専門家との相談:メッセージでデータサイエンス領域の不明点が相談できます!

一人で学ぶより、仲間と一緒に成長しませんか?
今すぐ友達登録して、データサイエンスの旅を始めましょう!
LINE公式アカウント:https://line.me/R/ti/p/@datasciencekun?from=page&accountId=datasciencekun

Discussion

ログインするとコメントできます