数据分箱通常是指对连续变量进行区间划分，将连续变量划分成几个区间变量，主要目的是为了避免“过拟合”，使评分结果更具有稳健性和预测性。这里有个典型的例子就是：用决策树进行评分看起来效果不错，但往往都会因为”过拟合”，模型无法实际应用。

常用的变量分箱法是WOE法，分两步：
（1）先对连续变量平均细分成足够多的分箱，FICO称之为Fine Bining(细分箱)。
（2）对相邻分箱两两合并计算比较，按照“WOE损失最小”的原理，来确定合并哪两个相邻分箱，直至达到预先设定的阈值，这一步FICO称之为Coarse Bining（粗分箱）。

判断分箱结果是否复合实际意义、有效，通常最直接的方法，就是看：Coarse Bining分箱结果图是否有一定的趋势，最常见的就是直线型、U型，因为一个输入变量对输出变量的关系往往都是有一定规律性的。
譬如：收入越高，信用越高；欠款次数越多，信用越低。

用FICO的Model Builder是可以很方便的处理，可以做Logistic模型、Divergence模型，如下是相关截图：

你的这个Model Builder是FICO的开发工具吗？

不是，这个是FICO公司的评分卡建模工具，我们之前开发的评分工具没有推广出来，而且不够智能化，所以最后不了了之了。

楼主可以私信一个微信吗，交流交流

楼主 and  楼上 可以私信一个微信吗，交流交流