SAS信用評分之模型擬合以及驗證的大坑

今天的內容是來講我這段時間被模型擬合和模型驗證坑過的那些事。我也是千辛萬苦終于是把模型給建出來了。此處應該有掌聲。因為模型老是效果不好這件事，我躲在被窩里哭了好幾次。好吧，講正事。

leslie模型擬合

首先，我們來講下模型擬合的事情，其實模型擬合在我這里就是我到底要選擇什么變量進入模型，我到底應該選擇多少個變量進入模型。我之前發過一個循環產出變量組合代碼，然后算ks值的代碼。具體鏈接在這里：SAS信用評分之邏輯回歸的變量選擇 現在回頭看有點瞎，哈哈哈哈哈。

你可能剛開始200個變量變量輸入proc logistic過程，你設置參數 sls=0.05,sle=0.05（SLE：sas中在變量選舉進入的參數，SLE(sets criterion for entry into model) 是變量進入模型的標準即統計意義水平值P<0.3，是定邏輯回歸中變量納入的主要條件。SLS：sas中在變量選舉進入的參數，SLS(sets criterion for staying in model)是變量在模型中保留的標準即統計意義水平值P<0.3，是定邏輯回歸中變量保留的主要條件。邏輯回歸變量進入后，因為新的變量進入導致老的變量對整個模型的貢獻不足，從中移出的閥值。）0.3是默認條件。那么卡方檢驗小于0.05的變量都會被篩選出來。

假設你的領導發話了，你最終的模型的變量個數要控制在10-14個，但是這時候可能篩選出來有30幾個。那么這30幾個你要怎么知道那十幾個組合，ks很好，而且達到了要求，之前有人說用主成分分析，主成分分析的理論好像也有這個道理。但是需要注意的是：
　小知識　

主成分分析：利用降維（線性變換)的思想，在損失很少信息的前提下把多個指標轉化為幾個綜合指標（主成分),用綜合指標來解釋多變量的方差- 協方差結構，即每個主成分都是原始變量的線性組合,且各個主成分之間互不相關,使得主成分比原始變量具有某些更優越的性能（主成分必須保留原始變量90%以上的信息），從而達到簡化系統結構，抓住問題實質的目的綜合指標即為主成分。

但是在我腦子存在的邏輯回歸理論是，邏輯回歸是一個非線性回歸，自然就推翻了主成分分析來降維的方案。具體的為什么不可以用主成分分析，歡迎大神在留言區給出更具體的解釋。

我們回到我們那個篩選出來的30幾個變量的問題上。其實這個方法是一個關注我公眾號的大神告訴我的，謝謝大神。讓我來演示一下代碼。
Ods Output ParameterEstimates=aa ;

proc logistic data=raw.rong_test12 outest=bb ;

model APPL_STATUS_1(event="1")=

woe_new_industry  

woe_new_G_MARITAL_P  

woe_new_Q_TLNINE_CNT

woe_new_EDUCATION

woe_new_query_time_n

woe_new_OPERATOR_num_N

woe_new_q_lcc_six

woe_new_a_muser_rate

woe_new_cq_cc_rate

woe_new_o_recently_C

woe_new_q_cc_o

woe_new_q_othree_cnt

woe_new_ACCOUNT_HOUSELOAN

woe_new_c_DELQ_cnt

/selection=score start=14 stop=14 best=10

outROC=ROC_train;

output out=pp

    p=pred_status lower=pi_l upper=pi_u ;

run;

其實這個代碼中，可能你覺得有疑問就是start=14 stop=14 best=10這三個參數是什么意思。這三個參數的大概的意思就是表達，我要14個變量，然后，你顯示前十種最好的組合給我。
　小知識　

卡方檢驗就是統計樣本的實際觀測值與理論推斷值之間的偏離程度，實際觀測值與理論推斷值之間的偏離程度就決定卡方值的大小，卡方值越大，越不符合；卡方值越小，偏差越小，越趨于符合，若兩個值完全相等時，卡方值就為0，表明理論值完全符合。 

然后代碼跑出來就有“評分卡方”評分的前十個的變量組合，這時候你要是設定best=20,那就是前20。至于這個得分是怎么計算的，我等級還不夠，所以我沒辦法解釋。Sorry啦。

那么這10種組合你就可以去挑選，符合業務的啊，或者說ks值比較高的，或者說你做點其他的檢驗計算，就看你的領導對于模型的評估啦。

以上就是模型擬合的內容，其實還是選擇變量的內容啦。

leslie模型檢驗

驗證的內容。其實驗證同個數據源的測試數據集的測試這個是比較簡單的，畢竟這批數據是跟你的訓練數據集一起產生的。有點麻煩是關于跨期數據的驗證，這里的跨期的意思，是譬如我取得是2015.8-2016.8的數據，那么我會用2016.9-2016.10的數據作為跨期數據來驗證下原模型的效果。

這部分我就沒什么代碼給你們啦，只是在這里要說一個注意的點，這也是一個關注我的公眾號的大神告訴我的。就是在跨期驗證的時候，可能效果不是很理想，但是這時候呢，你不要急于泄氣。

現在我舉一個例子，說下你大概就懂了。

跨期驗證某變量的分布：

原模型某變量的分布：

這是一個連續變量在跨期驗證以及原模型中分段的分布。那么既然分段的壞賬率我們沒辦法控制，但是需要控制的是，分段的分布我們還是應該調節到和原來模型的分布是差不多，所以在生成跨期數據的時候，需要每個變量都檢查跟原來的分布是不是一致，假設對于連續變量分布有5%-10%的偏差就建議調節一下分段范圍，讓分段接近一下原模型的分布。

假設這個辦法都讓你的模型效果都達到不到領導要求的話，而且你的變量也是沒辦法怎么衍生，或者也沒有什么其他變量可以拿來用的話。假設在數據量足夠的情況下，建議可以分成兩部分，譬如分成男女分開建模。這種分開建模的方式也只是建議，還是你要征得領導同意啦。