发帖
雷达卡
但想要开发相关的评分模型，其中最关键的一个维度就是数据量的问题。然而，数据缺乏是困扰着各位建模同学最关键的问题之一。特别在小微企业中，数据不足更是最常见的问题。“要我建模可以，得给我数据啊”。然而巧妇难为无米之炊。基于在普遍的情况中，数据匮乏的问题。今天我们引入了启发式的评分模型，试着帮大家在冷启动阶段就能开发好一张评分模型。
在启发式评分模型中通常有两个常见场景，以下分别来介绍下。
一.基于好坏比的多个单变量模型的启发式组合建模
1、第一步是数据驱动的建模过程
在数据驱动过程中，我们运用评分模型最重要的一个分数映射公式，好坏比：score=ln odds*a+b
利用好坏比来计算，首先计算各变量各分箱的好坏比，并设定评分上下限，对应求出各个变量回归模型的a和b（如果有9个特征变量，则有9组a、b系数）。
2、在第二步确认每个变量中权重分配方案
对第一步中的多个单变量回归模型进行权重分配，此步是高度人工参与的启发式权重归一化分配。
二.AHP层次分析模型
层次分析法中，也是在整个冷启动阶段用得最多的算法（Analytic Hierarchy Process，简称AHP）。
把复杂问题中的各种因素通过划分为相互联系的有序层次，使之条理化，根据对一定客观现实的主观判断结构（主要是两两比较）把专家意见和分析者的客观判断结果直接而有效地结合起来，将一层次元素两两比较的重要性进行定量描述。
然后，计算反映每一层次元素的相对重要性次序的权值，通过所有层次之间的总排序计算所有元素的相对权重并进行排序。
在层次分析模型中，需要定性分析与定量分析相结合。层次分析模型可解释性较强，样本要求低。但层次分析方法也存在缺点，即：在变量数量较多与变量之间存在相关性时较难处理。
层析分析法中，需要用到专家经验判断的就是标度法标识不同维度的重要性。通常我们会用到1~9标度法：对特征变量进行两两相对权重判断，其数值构成原始数据判断矩阵A。
【用标度法来标识工作满意度的方法】
另外在整个层析分析法中，需要涉及三个维度的内容，，搞清楚这个三个维度基本就能弄清楚层析分析法的逻辑了，分别是：
1、模型权重系数生成
2、最大特征值计算
3、特征一致性判断
在相关的层次分析法中，我们会展开以小微企业与供应链金融作为实际的应用案例来讲解：
关于本文中所提到的启发式评分模型的内容，更全面的系统知识内容，可关注：
~原创文章
...
end
京公网安备 11010802022788号
