字段含义

1. id: 变量 id 序号
2. Variable: 变量名称
3. Type: 变量类型
4. Count: 数据集行数
5. Missing: 缺失值数量
6. Missing_Rate: 缺失值比例
7. Unique: 唯一值数量
8. Mean: 平均值
9. Std: 标准差
10. Min: 最小值
11. 25%: 25 分位值
12. 50%: 50 分位值，即中位数
13. 75%: 75 分位值
14. 95%: 95 分位值
15. 99%: 99 分位值
16. Max: 最大值
17. First: datetime 类型变量的最早值
18. Last: datetime 类型变量的最晚值

数据报告

阅读数据报告通常是进行模型开发的第一步，并且这是单凭机器算法无法解决的一个关键步骤。

例如，实际商业环境中的建模数据由不同数据源拼接而成，因此可能存在一定的缺失率。机器算法无法告诉分析师，缺失率为 80% 的“性别”变量是否存在由拼接导致的数据错误问题。

又例如，机器算法无法分辨“年龄”为 180 的数据，是否需要在建模前进行纠正。

因此分析师需要仔细阅读额数据报告以确保建模数据的准确性。

检查清单

1. Type: 数据类型是否正确，是否存在本应为数据型的变量，由于某些错误值的存在，导致无法被识别为数据型？
2. Missing_Rate: 数据缺失率是否正常？本建模算法能够自动处理缺失值，因此不需要将其转换为 -9999 等特殊值。
3. Unique: 唯一值数量是否正常？一个变量的唯一值数量为 1，则此变量没有任何建模价值。
4. Min: 最小值是否正常？是否存在不应该出现的负数？
5. Max: 最大值是否正常？是否存在过大的异常值？

字段含义

1. id: WoE id 序号
2. Bin: 分箱序号
3. Variable: 变量名称
4. Type: 变量类型
5. Value_Range: 分箱取值范围
6. Value_Counts: 分箱中唯一值数量
7. Bad: 分箱中坏样本数量（目标值为 1）
8. Good: 分箱中好样本数量（目标值为 0）
9. Bad_Rate: 分箱坏比例 = 坏样本数量 / 分箱样本数量
10. Bad_Total: 总体坏样本
11. Good_Total: 总体好样本
12. Pct_Bad: 坏样本分布，分箱加总为 100%
13. Pct_Good: 好样本分布，分箱加总为 100%
14. Pct_Bin: 分箱样本分布，分箱加总为 100%
15. WoE: 证据权重
16. IV: 信息值

WoE 分析

WoE 分析进行单变量分析以及数值型变量的分箱。

在默认情况下 t1modeler 算法保持变量分箱的单调性（即变量值越大则 bad rate 越高/越低），使变量保持良好的解释性但降低区分能力；

也可以修改默认值使变量分箱舍弃单调性，即牺牲变量可解释性但提高区分能力。

虽然 t1modeler 算法完成了大部分工作，但是分析师依然需要检查一些关键点。

检查清单

1. Bad_Rate: 坏样本比例趋势是否与一般认知一致？例如，数据是否展现出信用历史越好则未来违约的可能性越低？如果不是，可能需要检查数据清洗是否正确。
2. IV: 变量区分能力是否正常？有没有一般认知中应该具有良好区分能力的变量，但在WoE分析中只有很低的区分能力？如果有，可能需要检查数据清洗是否正确。

候选变量

候选变量是在原始建模变量的基础上，通过一定的筛选条件后，保留下来作为逐步回归过程的输入。被剔除的变量，通常认为对于模型开发没有价值。

筛选条件：

1. 剔除缺失率大于指定值的变量（设置 - 被剔除变量缺失率阈值）；
2. 剔除唯一值数量为 1 的变量；
3. 剔除时间日期型（datetime）变量；
4. 剔除唯一值数量大于指定值的字符型变量（设置 - 字符型变量唯一值）；
5. 剔除模型开发前用户指定的排除变量；
6. 剔除 IV 小于指定值的变量（设置 - 用于剔除变量的 IV 阈值）；
7. 计算所有未被排除的变量之间的两两皮尔逊相关系数，如果相关系数高于指定值，剔除 IV 较低的一个变量（设置 - 用于剔除变量的相关系数阈值）。

选取的变量

选取的变量指通过逐步回归过程，最终进入模型的变量。

逐步回归过程信息

逐步回归过程信息记录逐步回归的整个工作过程。

在每一次迭代中：

1. 首先选入满足指定值且最显著（且相关系数为负，如有设置的话）的一个变量（设置 - 变量进入模型的显著性水平，确保入模变量系数均为负值）；
2. 计算已选入的所有变量的显著性水平，如果存在显著性水平高于指定值（且相关系数不为负，如有设置的话）的变量， 剔除最不显著的一个变量（设置 - 变量退出模型的显著性水平，确保入模变量系数均为负值）；
3. 重复以上步骤。如果再也无法选入变量，或者再也无法剔除变量，则迭代结束，模型开发完毕。

KS 曲线

KS 曲线显示一个模型区分事件与非事件（或好事件与坏事件）的能力。

作为衡量模型性能的重要指标之一，通常认为最大 KS 值越高则模型越好。但是分析师需要结合领域知识，确认最大 KS 值是否“太完美以至于无法置信”。

例如，在信用风险领域，合理的模型最大 KS 值一般为 20 到 60 之间，如果一个信用风险模型的最大 KS 值为 90，则有可能是数据准备阶段出现了一些错误。但是在手写体数字识别领域，模型最大 KS 值高达 95 依然是合理的。

ROC 曲线

接收者操作特征曲线，或者 ROC 曲线，是一种坐标图式的分析工具，用于选择最佳的信号侦测模型、舍弃次佳的模型，在同一模型中设定最佳阈值。

其中一个关键指标为 AUC（曲线下面积）。同样地通常认为 AUC 值越高则模型越好。

结果

• Model: 模型名称
• Dependent Variable: 目标变量
• Date: 模型开发完毕时间戳
• No. Observations: 观测值数量
• Df Model: 模型自由度
• Df Residuals: 残差自由度
• Converged: 迭代是否收敛
• No. Iterations: 达到收敛时迭代次数
• Pseudo R-squared: McFadden's pseudo-R-squared
• AIC: 赤池信息准则
• BIC: 贝叶斯信息准则
• Log-Likelihood: Likelihood ratio chi-squared statistic
• LL-Null: Value of the constant-only loglikelihood
• LLR p-value: The chi-squared probability of getting a log-likelihood ratio statistic greater than LLR
• Scale: A scale parameter for the covariance matrix

参数估计

参数估计展示每一个模型特征变量的相关统计值。

1. Variable: 变量名称，其中 const 为常数项
2. Coeff.: 即 Coefficient，特征变量与目标变量的相关系数
3. Std.Err.: 即 Standard Error of the Coefficient，相关系数的标准差
4. z: 即 Z-Value，相关系数与相关系数的标准差之间的比值
5. P>|z|: 即 P-Value，特征变量的显著性水平
6. [0.025: 上边界（95% 显著性水平）
7. 0.975]: 下边界（95% 显著性水平）
8. VIF: 即 Variance Inflation Factor，方差膨胀因子

备注

1. t1modeler 算法保证进入模型的特征变量的 P-Value 在指定值以内（设置 - 变量进入模型的显著性水平）；
2. 如果配置为启用，t1modeler 算法保证进入模型的特征变量的相关系数为负值，使模型具有更好的可解释性（设置 - 确保入模变量系数均为负值）；
3. 通常认为特征变量的 VIF 不宜超过 10。如果有 VIF 超过 10 的变量，可以每次去除一个 VIF 最高的变量，再重新进行模型开发。

字段定义

1. #: 分组序号
2. Cnt Bin: 分组样本数量
3. Cnt Bad: 分组坏样本数量
4. Cnt Good: 分组好样本数量
5. Bin Bad Rate: 分组坏比例 = 分组坏样本数量 / 分组样本数量
6. Cum Bad: 累积坏样本数量
7. Cum Good: 累积好样本数量
8. Cum Bad %: 累积坏样本百分比
9. Cum Good %: 累积好样本百分比
10. KS: KS 值
11. Score Min: 分组最低分数
12. Score Max: 分组最高分数
13. Score Avg: 分组平均分数

等分排序表

根据模型开发结果，将样本打分后从低到高排列，分成等分的 10 个分组，观察模型坏比例是否能够同样保持从低到高的排序。

直方图

直方图展示分数，坏样本以及好样本的百分比分布。

特征变量

包含所有入模特征变量以及各变量的取值。

选取不同的取值组合，可以观察对应的模型分数和坏比例。

模型预测

模型预测显示指定变量值组合所对应的分数，以及总体坏比例与指定变量值组合的坏比例的对比图。

一般情况下，模型分数及其排序性是正确使用模型的关键，指定变量值组合的坏比例仅供参考。

如果点击按钮 “最好” 以及 “最坏”，可以看到对应的最高分数以及最低分数。在 “4. Model Result | 模型结果” 页面中的 “等分排序表” 里面，也有模型的最高分数和最低分数。其不同之处在于，“等分排序表” 里面的最高分数和最低分数是模型开发样本中实际出现的最高分数和最低分数，而 “5. Model Comprehension | 模型解读” 里面的最高分数和最低分数是理论上可能得到的最高分数和最低分数。

评分表

评分表显示基础分数以及每一个变量的分箱分数。

变量分箱代码

用于生成分箱变量的 Python 代码。

变量 WoE 代码

用于生成 WoE 变量的 Python 代码。脚本的最下方有模型打分代码。

验证集分析无法完成的原因：

1. 数值型特征变量，验证集中出现了缺失值，但是开发集中没有缺失值，这会导致验证集中的缺失值无法被打分。 例如，特征变量 "age" 在开发集中没有缺失值，但是在验证集中却出现了缺失值；

2. 字符型特征变量，验证集中出现了开发集中没有出现的取值，这会导致验证集中的取值无法被打分。例如，特征变量 "occupation" 在开发集中只有两种取值，分别为 "farmer" 和 "manager"，但是在验证集中却多了一种取值 "sales"（或者出现了缺失值）。

解决方法：

1. 数值型特征变量，仔细检查验证集中出现缺失值的原因，将缺失值填充为正确的取值；

2. 字符型特征变量，根据开发集的取值内容，对齐验证集的取值。

请根据提示内容修正验证集的特征变量。