当下金融科技是机器学习应用最火的业务场景之一，风控算法工程师需求旺盛，既能深耕“风控业务”外功，又能兼修“机器学习”内功的算法工程师市场稀缺。
互利网上较多风控建模教程均采用国外陈旧数据集，早已脱离国内当前实际信贷业务，建模意义不大。因此，本 Chat 不采用 LendingClub、GermanCreditRisk 等国外信贷数据集。本Chat 采用数据源为本人时任某平台风控总监时的某年度真实信贷数据，配套教学代码为已上线稳定运行代码。
为确保数据合规性和使用合法性，已剔除用户四要素等敏感信息，仅保留网络公开爬虫数据和三方数据等部分业务指标，且关键变量均已做脱敏处理。为保证代码不涉及泄露商业机密，仅展示例如分箱、WOE、IV等核心函数coding，不影响建模整体理解。以上数据、指标、代码，仅用于当前评分卡教学中，特此说明。
本场 Chat 主要内容有以下6点：
消费金融评分卡业务，其常用数据源有哪些？评分卡模型一般会用哪些指标？什么是特征工程？如何做好金融申请评分卡的特征工程？
评分卡变量怎样进行分箱？为什么变量需要进行分箱？常用的分箱方法如：等频分箱、等宽分箱、卡方合并分箱、best基于决策树的最优分箱，他们的分箱概念分别是什么？他们之间分别有怎样的优点和缺点？
3、什么是WOE和IV？WOE和IV背后的业务本质是什么？WOE和IV的计算方式是怎样的？
4、评分卡背后包含怎样的数学含义？怎样通过推导LR公式快速理解评分卡的精髓？
5、集成模型和评分卡模型结果之间如何转换？怎样通过数学公式的推导，将集成模型转化成分数输出？
6、模型结果怎样进行评估？怎样用“大白话”去理解KS和AUC值的含义？
阅读全文: http://gitbook.cn/gitchat/activity/5cfe6073e096977d1d957281
一场场看太麻烦？成为 GitChat 会员，畅享 1000+ 场 Chat ！点击查看