SCORE CROSS ANALYSIS
Home Credit：外部来源分 2 × 外部来源分 3
固定 X 风险层，观察 Y 的实际风险梯度
主模型
X
交叉模型
Y
样本集
Total Samples
Observed Count
Overall Bad Rate
常规矩阵覆盖
交叉矩阵
点击查看证据 · ↑↓←→ 切换 · 两轴低风险 → 高风险
特殊分箱展开聚合明细
常规矩阵折叠特殊箱；全量占比、Overall Bad Rate 与行列边际仍包含这些样本。显式特殊箱策略保留在 Python policy API。
三项阅读检查
- 固定同一旧模型 X 风险层，沿新模型 Y 的风险顺序看实际 Bad Rate 是否总体递增。概率高值高风险；高分低风险 score 按保存方向换序。局部反转结合样本解释。
- 同时看样本数、已观测数、Event Count 与 Wilson 区间，避免把小样本噪声当作稳定差异。
它支持“同一 X 层内进一步区分”，不能单凭图表证明独立模型增益，也不自动批准业务策略。Lift 是相对整体风险倍数。
规则示例
复制后自行粘贴、应用自定义分箱规则 · 独立于选格
语法与范围
支持 <、<=、=、==、!=、>=、>、AND / OR 和括号；大小写不敏感，AND 优先于 OR。右侧为同轴标签或整数。X <= Y2、连续分数阈值与越界编号不合法。
只匹配完整常规分箱集合，OR 重叠部分只计一次；不隐含接受特殊箱。内侧虚线表示命中，原热力与选中外框保留原义。
已保存 policy 回放比较
保留历史 policy 的统一聚合、区域与证据。候选与基准差异不代表审批结论。