全部代码请访问我的Github：
http://github.com/frankhlchi/R-scorecard （点击原文链接即可）

打分卡转换

我们在上一部分，我们已经基本完成了建模相关的工作，并用混淆矩阵验证了模型的预测能力。接下来的步骤，就是将Logistic模型转换为标准打分卡的形式。

在建立标准评分卡之前，我们需要选取几个评分卡参数：基础分值、 PDO（比率翻倍的分值）和好坏比。 这里， 我们取600分为基础分值，PDO为20 （每高20分好坏比翻一倍），好坏比取2.5。；可得下式：

620 = q - p * log(2.5)

600 = q - p * log(2.5/2)

p = 20/log(2)

q =600-20*log(2.5)/log(2)

其中总评分为基础分+部分得分。基础分可通过：

base <- q + p*as.numeric(coe[1])

算出为597分。

而第一个变量AccountBalance的第一种分箱评分得分为 ：

AccountBalanceSCORE = p*as.numeric(coe[2])AccountBalancewoe$woe[1]-1

-17.23854

以此类推， 我们可以得到所有变量取值分箱的得分，详细代码如下。AccountBalance变量：

p*as.numeric(coe[2])AccountBalancewoe$WOE[1]-1

p*as.numeric(coe[2])AccountBalancewoe$WOE[2]-1

p*as.numeric(coe[2])AccountBalancewoe$WOE[3]-1

p*as.numeric(coe[2])AccountBalancewoe$WOE[4]-1

Duration变量：

p*as.numeric(coe[3])Durationwoe$WOE[1]-1

p*as.numeric(coe[3])Durationwoe$WOE[2]-1

p*as.numeric(coe[3])Durationwoe$WOE[3]-1

PaymentStatusofPreviousCredit变量：

p*as.numeric(coe[4])PaymentStatusofPreviousCreditwoe$WOE[1]-1

p*as.numeric(coe[4])PaymentStatusofPreviousCreditwoe$WOE[2]-1

p*as.numeric(coe[4])PaymentStatusofPreviousCreditwoe$WOE[3]-1

p*as.numeric(coe[4])PaymentStatusofPreviousCreditwoe$WOE[4]-1

p*as.numeric(coe[4])PaymentStatusofPreviousCreditwoe$WOE[5]-1

Purpose变量：

for(i in 1:10){

print(p*as.numeric(coe[5])Purposewoe$WOE[i])-1

}

CreditAmount变量

p*as.numeric(coe[6])CreditAmountwoe$WOE[1]-1

p*as.numeric(coe[6])CreditAmountwoe$WOE[2]-1

ValueSavings变量：

p*as.numeric(coe[7])ValueSavingswoe$WOE[1]-1

p*as.numeric(coe[7])ValueSavingswoe$WOE[2]-1

p*as.numeric(coe[7])ValueSavingswoe$WOE[3]-1

p*as.numeric(coe[7])ValueSavingswoe$WOE[4]-1

Lengthofcurrentemployment变量：

p*as.numeric(coe[8])Lengthofcurrentemploymentwoe$WOE[1]-1

p*as.numeric(coe[8])Lengthofcurrentemploymentwoe$WOE[2]-1

p*as.numeric(coe[8])Lengthofcurrentemploymentwoe$WOE[3]-1

p*as.numeric(coe[8])Lengthofcurrentemploymentwoe$WOE[4]-1

Agewoe变量：

p*as.numeric(coe[9])Agewoe$WOE[1]-1

p*as.numeric(coe[9])Agewoe$WOE[2]-1

ForeignWorker变量：

p*as.numeric(coe[10])ForeignWorkerwoe$WOE[1]-1

p*as.numeric(coe[10])ForeignWorkerwoe$WOE[2]-1

最终得出的打分卡结果为：

R语言建立信用模型部分完结，欢迎分享