🙌
金融与信モデル(5)——スコアの計算
金融与信モデル入門シリーズ
- スコアカードの由来
- 証拠の重さと情報価値(WOE and IV)
- グルーピングの方法(Grouping Method)
- 信頼できるAIの要素——PSI(Population Stability Index)
- スコアの計算
- 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
- シグモイド関数による確率変換
- 0-1の範囲への出力の制限
- 線形回帰に基づく予測値の算出
数式の変換
- シグモイド関数の数学的変換
- デフォルト確率(p)の定義
- デフォルト率比(odds)の導入
- 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
- スコアカードの基本式
- ロジスティック回帰係数(β)
- スケーリング定数(A, B)
変換プロセス
- 特定のデフォルト確率に対応するスコアの設定
- 基準odds(θ0)に対するスコア(P0)の設定
- 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