评分模型中的缺失值

公式模型必须处理缺失值

在构建评分模型的过程中，在建模阶段虽然所需时间较少（占据大部分时间和精力），但其核心难点恰恰在于如何处理数据中的缺失值问题。这一环节处理得当与否直接关系着整个评分系统的成功与否（直接影响着评分模型的成功与否）。根据建模的形式可分为基于公式的模型与基于算法的分类器（或预测器），不同类型中对缺失数据的耐受能力存在显著差异

公式模型 必须经过缺失值的处理；否则将导致对应的观测被排除在建模样本之外；例如回归模型及神经网络等都需要进行缺失值的处理。

该算法模型 对缺失值表现出较强的鲁棒性。然而这些模型倾向于将缺失值 分离出来单独处理 这种做法虽然增强了数据完整性但也导致这类 模型 稳定性较差 例如 决策树 这样的分类器 就属于这种情况

补缺原则

一般情况下，在缺失值填补的过程中，在不显著改变数据分布的前提下，在满足一定准确性条件的基础上确定最低限度的要求

一般情况下，在缺失值比例达到80%以上时，则会放弃填补这一策略；然而，在实际操作中发现，在处理过程中出现过高达50%的数据缺失情况时，则会倾向于放弃补缺这一做法；

若某