请高手来解答一下这几个概念。。

1 FICO credit score
2 Unexpected loss in a Basel II context
3 Information Value of a variable
4 AUC based pruning
小弟实在不懂这个是什么意思 越详细 越好啦， 最好能附上资料供小弟学习

帮你顶下。。。。。。。。。

最好到图书馆查一下  以前有涉及后来忘了

I am Baesens. I keep my eyes on Internet, dont even try to answer the question in this way. I am not stupid.

高手不敢当，尝试回答3个，看看楼主是否满意

FICO credit score
FICO是Fair Issac公司的名称，FICO credit score是Fair Issac公司开发的信用评分，例如根据征信报告计算个人客户违约风险，金融机构可根据该评分考虑是否批准客户的信用卡或贷款的申请。

Unexpected loss in a Basel II context
Expected loss 知道些，unexpected loss就不太了解。

Information Value of a variable
变量的information value（信息量）是用来评估变量对目标的预测能力predicitve power（或分辨能力discriminative power），例如变量年龄对于判断客户是否会违约的帮助有多大。
假如年龄分为3个区间，A1：20-30，A2：30-40，A3：>40，
#g(A1)：表示年龄为20-30的客户中好客户（不违约）的数量，
#b(A1)：表示年龄为20-30的客户中坏客户（违约）的数量，
#G：表示全体中好客户的数量
#B：表示全体中坏客户的数量
则年龄的信息量为：
[#g(A1)/ #G - #b(A1)/ #B]* ln[ (#g(A1)/ #G) / ( #b(A1)/ #B) ]
+ [#g(A2)/ #G - #b(A2)/ #B]* ln[ (#g(A2)/ #G) / ( #b(A2)/ #B) ]
+ [#g(A3)/ #G - #b(A3)/ #B]* ln[ (#g(A3)/ #G) / ( #b(A3)/ #B) ]


AUC based pruning
这个没有语境，不好理解。AUC based pruning可能是指决策树的减枝策略。
AUC倒是知道一些。AUC是指ROC曲线所覆盖的面积，AUC大则模型的性能好。ROC曲线：纵坐标是sensitivity，横坐标是1-specificity。
Sensitivity表示在模型预测的前X%名单中，命中的个数占全部目标数量的比例。
1-Specificity表示在模型预测的前X%名单中，预测错误的个数占全部非目标数量的比例。
直观地说，sensitivity表示模型的预测目标的能力，1-specificity表示为此付出的代价。

楼上对ROC的解释是错误的吧,
ROC只是针对二元目标变量而言的,其中纵轴是sensitivity, (sensitivity主要是衡量模型判断目标事件(events)的准确率,公式是(true positive events/total actual positives);
横轴是specificity,(specificity主要是衡量模型判断非目标事件(nonevents)的准确率的,公式为(true negative events/ total actual negatives).
不过,总的观察方法是不错的,该曲线覆盖下的面积越大,表明模型效果越好!

6# luhuidal
ROC曲线的确是说错了，横坐标应该是1-specificity，也就是False Positive占全部negative的比例。