菜单
信用评分卡模型工具，实现WOE/IV计算、简化逻辑回归评分卡与Altman Z-Score违约预测。适用于风控建模教学与评分卡原型验证。模型基于简化假设和历史数据，需人工复核，且评分卡模型可能产生歧视性结果，不适用于受保护群体的信用评估。
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/openJiuwen-ai/agent-store --skill credit-scoring命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
正在显示 SKILL.md
基于 SOC 职业分类
| name | credit-scoring |
| description | 信用评分卡模型工具，实现WOE/IV计算、简化逻辑回归评分卡与Altman Z-Score违约预测。适用于风控建模教学与评分卡原型验证。模型基于简化假设和历史数据，需人工复核，且评分卡模型可能产生歧视性结果，不适用于受保护群体的信用评估。 |
| version | 1.0.0 |
| author | wangyi |
信用评分模型工具，基于财务比率构建评分卡，使用简化逻辑回归（标准库实现）评估企业或个人违约风险。
LogisticRegression简化逻辑回归模型，使用梯度下降法求解。
LogisticRegression.fit(X, y) — 训练逻辑回归模型。LogisticRegression.predict_proba(x) — 预测违约概率。LogisticRegression.predict(x, threshold) — 预测类别。calculate_woe_iv(data, n_bins=10)计算 WOE（Weight of Evidence）和 IV（Information Value）。 必填: data
probability_to_score(pd, base_score=600, pdo=20, base_odds=1 / 20)将违约概率转换为信用评分。 必填: pd
build_scorecard(model, feature_names)构建评分卡。 必填: model, feature_names
credit_scoring(financial_ratios, model=None, feature_names=None, base_score=600, pdo=20)信用评分完整流程。 必填: financial_ratios
altman_zscore_scoring(financials, base_score=600, pdo=20)基于 Altman Z-Score 的信用评分。 必填: financials
fit(X, y)训练逻辑回归模型。 必填: X, y
predict_proba(x)预测违约概率。 必填: x
predict(x, threshold=0.5)预测类别。 必填: x
python scripts/main.py \
--data <data> \
--n-bins <n_bins> \