简介信贷风控模型建设中如何兼顾预测能力与业务可解释性一直是核心挑战。逻辑回归作为一种成熟稳健的算法配合证据权重WOE与信息价值IV的特征工程方法能够将原始申请数据转化为业务人员易于理解的分数表。这种信用评分卡不仅保留了统计模型的严谨性还满足监管审计对决策过程透明化的要求。在实际应用中银行与消费金融公司常借助Python生态完成从数据清洗、变量分箱、WOE编码到逻辑回归拟合、分数刻度映射的整套流程最终输出可落地的审批策略。本文以申请评分卡为对象系统拆解了基于公开信贷数据集构建标准评分卡的每一步工程细节覆盖数据准备、标签定义、分箱合并、系数推导及上线校验等关键环节为信贷策略与风控从业者提供了一份可直接复现的Python实践指南。1. 申请评分卡是这么一种东西它把审批逻辑变成一张能解释的分数表申请评分卡Application Scorecard是信贷审批场景里最不性感但最稳的方案用 Python 从申请数据里抽特征、分箱、算 WOE、跑逻辑回归最后生成一张每个变量每档都有分数的表。审批人员拿起表就能解释为什么拒绝监管要审计也能逐项追溯。它不像 XGBoost 那样能榨干数据里每一点信号却换来可解释、可监控、可快速修正。做这个方向的人大多不是建模科学家而是信贷策略、数据分析转岗风控的从业者——大家卡住的往往不是模型本身而是数据标签怎么定义、表现期取多长、拒绝样本怎么处理、字段从哪来。本文按“数据集 → 分箱 → 建模 → 刻度映射 → 上线校验”的顺序把每一步写成可以直接复现的 Python 流程。和量化交易里的因子打分一样评分卡本质也是把一堆指标映射成一个分数再排序只是这里的分数量纲是业务方看得懂的“600 分 / 650 分”。2. 数据集怎么选公开信贷数据、字段映射与坏客户定义2.1 申请评分卡的数据长什么样字段要对应“申请时点”申请评分卡和催收评分卡、行为评分卡最大的区别在于建模用的特征必须是在客户申请那一刻能拿到的信息。用 Python 做这个模型时最常被问到的一个问题是“数据集去哪找”。真实业务里申请数据来自进件系统包含征信查询、收入负债、职业学历这些字段但教学和面试场景下从业者普遍落到两个公开数据上UCI 的 Statlog German Credit 数据集以及 Kaggle 上的 Give Me Some CreditGMSC竞赛数据。前者 1000 条样本、20 个字段后者 15 万条样本、10 个字段两者都非常适合作为 Python 建模练习的数据集。不过选型时要特别注意German Credit 的特征更偏“申请侧”比如现有账户状态、贷款用途、储蓄账户、就业年限这些在进件时就能拿到天然适合申请评分卡练习GMSC 里像“过去 30-59 天逾期次数”“90 天以上逾期次数”这类字段更接近行为评分卡的数据形态——如果硬套到申请场景必须问自己申请时点这些历史逾期记录是否已经在征信报告中体现。把行为字段放回申请评分卡里是数据选型阶段最常见的翻车点。German Credit 的关键字段映射大致如下初学者可以照着这个表去理解申请评分卡到底在用哪些信息原始字段字段含义类型建模价值checking_account现有支票账户状态分类型负债与流动性侧写duration贷款期限月连续型申请条件本身credit_history历史信用记录分类型历史履约能力purpose贷款用途分类型资金用途风险credit_amount贷款金额连续型敞口规模savings_account储蓄账户/债券分类型偿债缓冲employment就业年限分类型收入稳定性age年龄连续型基础人口学2.2 数据准备代码模拟数据和公开数据双轨跑我的经验是准备两套数据先用一段模拟数据把管道跑通再换公开数据集。原因是公开数据在下载、字段解析上可能出幺蛾子先把代码逻辑验证好后面排错范围就小很多。import numpy as np import pandas as pd np.random.seed(42) n 5000 def make_sim_data(n5000): 生成一份模拟的申请进件数据好/坏标签按逻辑回归假设生成 df pd.DataFrame({ age: np.random.randint(22, 60, n), monthly_income: np.random.lognormal(mean8.5, sigma0.4, sizen).round(0), debt_ratio: np.random.uniform(0.05, 0.95, n), history_30d: np.random.poisson(0.3, n), # 历史30天逾期次数 num_queries_3m: np.random.poisson(1.5, n), # 近3个月征信查询次数 purpose: np.random.choice([car, home, education, other], n, p[0.3, 0.3, 0.2, 0.2]), marital: np.random.choice([married, single, divorced], n) }) # 人为设置风险方向保证数据里有真实信号可学习 log_odds_bad ( -0.05 * (df[age] - 35) - 0.4 * np.log(df[monthly_income] / 10000) 1.5 * df[debt_ratio] 0.5 * df[history_30d] 0.3 * df[num_queries_3m] 0.2 * (df[purpose] education).astype(int) - 0.3 * (df[marital] married).astype(int) np.random.normal(0, 0.3, n) ) p_bad 1 / (1 np.exp(-log_odds_bad)) df[bad] np.random.binomial(1, p_bad).astype(float) return df df make_sim_data() print(df.shape) print(df[bad].mean()) # 坏客户占比期望落在 0.2~0.3 区间这段代码把“坏客户”生成为 1好客户为 0。debt_ratio系数为正表示负债越高坏的概率越大monthly_income系数为负表示收入越高风险越低。这样生成的数据虽然是人造的但变量方向符合业务直觉跑出来的评分卡也更容易解读。坏样本占比在 0.2~0.3 之间接近真实信贷申请客群的违约分布。公开数据的读取和清洗写成独立脚本和模拟数据共用同一个下游管道# 从 UCI Statlog 下载 German Credit 数据存为 data/german_credit.csv # 原始文件里最后一列标签是 1good, 2bad需要映射成 0/1 df_gc pd.read_csv(data/german_credit.csv) # 如果文件里带双引号加一行 quotechar 参数 # df_gc pd.read_csv(data/german_credit.csv, quotechar) # 假设列名和 UCI 文档一致最后一列名为 target df_gc[bad] (df_gc[target] 2).astype(int) df_gc df_gc.drop(columns[target])读取参数里quotechar是处理 UCI 数据常见的带引号 CSV 格式。特征列名如果和文档不一致先print(df_gc.columns.tolist())把列打印出来人工核对。这一步看起来琐碎实际却是整个评分卡项目里最容易翻车的地方——列名错一位后面所有分箱逻辑全错。2.3 好/坏样本定义与切分方式表现期和时序是硬约束标签定义直接决定模型学什么。“坏客户”在信贷业务里一般定义为开户后 12 个月表现期内出现逾期 90 天及以上的客户好客户则是表现期内从未逾期或逾期不超过 30 天。观察点observation point是申请审批通过日从这一天往后数 12 个月看表现。Python 里落地这个概念需要在进件表里加两列observe_date申请通过日和perf_end_date通过日 12 个月标签取的是表现期内的最差逾期状态。训练集和测试集不能用train_test_split(random_state42)随机切。申请数据天然带时间顺序随机切分会把早期客户和晚期客户混在一起——如果客群策略在中间某个时间点调整过模型学到的就是“两个策略的混合体”上线后必然偏移。常规做法是按申请月份排序前 80% 做训练集后 20% 做验证集df df.sort_values(observe_date).reset_index(dropTrue) cut_idx int(len(df) * 0.8) train_df df.iloc[:cut_idx].copy() test_df df.iloc[cut_idx:].copy() print(ftrain: {len(train_df)}, test: {len(test_df)})提示评分卡建模里的“数据集”不止是原始 CSV而是“原始字段 观察点 表现期标签”的完整结构。只拿一张宽表就跑模型后面业务复核时会发现标签定义说不清楚这是血泪教训。3. 特征分箱与 WOE/IV 计算评分卡和机器学习模型的第一个分岔口3.1 为什么要分箱而不是直接标准化进回归评分卡不用原始连续值直接进逻辑回归核心原因有三个。第一信贷风险和特征的关系不是线性的年龄对违约率的影响是 U 型年轻人收入低违约高、中年人稳定、退休后收入骤降违约又抬头收入的对数效应也是递减的。分箱后每一档单独给一个 WOE 值相当于让模型自己拟合分段非线性。第二分箱天然处理了异常值和缺失值比如收入为 0、负债率大于 1 的异常个体可以单独成箱避免极端值拉动整个回归系数。第三也是业务上最关键的一点分箱后的模型可以直接转成审批规则表“年龄 22-30 岁扣 15 分负债率大于 0.7 扣 30 分”——这种表达审批人员听得懂监管也愿意接受。机器学习模型在这点上就是黑匣子这也是为什么评分卡到今天依然是信贷审批的主力。WOEWeight of Evidence证据权重是分箱后每一档的“风险强度”度量定义为WOE ln(好客户占比 / 坏客户占比)注意这里的好/坏方向要和你后面逻辑回归的目标变量编码一致。我在整个流程里统一用“好客户1坏客户0”所以 WOE 越大代表这一档客户越好。IVInformation Value信息值是 WOE 的加权和衡量整个变量的预测能力业界通行判断标准是IV 范围预测能力处理建议 0.02无预测力剔除0.02 ~ 0.1弱可保留结合业务判断0.1 ~ 0.3中等优先保留 0.3强保留但警惕过拟合3.2 等频分箱与自动合并qcut 的坑和补救分箱的方法很多等距、等频、卡方、决策树。评分卡实战里用得最多的是等频分箱加手工合并Python 里对应pd.qcut。它按分位数切箱保证每箱样本量接近但不保证分箱结果业务上合理——某个箱子可能全是坏客户或者某个区间恰好落在完全没意义的点上。def auto_bin(df, col, target, max_bins5, min_bin_pct0.05): 等频分箱 自动合并。返回分箱边界和每箱统计。 参数说明 max_bins: 最大分箱数评分卡一般不超过 5~6 箱 min_bin_pct: 单箱最小样本占比低于该值触发合并 df df.copy() # duplicatesdrop 处理分位数重复的情况比如年龄大量集中在 30 岁 df[bin] pd.qcut(df[col], qmax_bins, duplicatesdrop) grouped df.groupby(bin, as_indexFalse).agg( total(bad, count), bad_sum(bad, sum) ) grouped[good_sum] grouped[total] - grouped[bad_sum] grouped[bad_rate] grouped[bad_sum] / grouped[total] # 合并样本占比过小的箱子从第一箱开始把当前箱合并到下一箱 while True: small grouped[grouped[total] / df.shape[0] min_bin_pct] if small.empty: break idx small.index[0] if idx len(grouped) - 1: idx idx - 1 # 最后一箱和前一箱合并 new_total grouped.loc[idx, total] grouped.loc[idx 1, total] new_bad grouped.loc[idx, bad_sum] grouped.loc[idx 1, bad_sum] grouped.loc[idx, total] new_total grouped.loc[idx, bad_sum] new_bad grouped.loc[idx, good_sum] new_total - new_bad grouped.loc[idx, bad_rate] new_bad / new_total # 合并后区间标记取前一箱的下边界到后一箱的上边界 grouped.loc[idx, bin] pd.Interval(leftgrouped.loc[idx, bin].left, rightgrouped.loc[idx 1, bin].right) grouped grouped.drop(indexidx 1).reset_index(dropTrue) return grouped这段代码里duplicatesdrop是最容易被忽略的参数。遇到年龄、期数这类离散化严重的变量如果没有这个参数qcut会直接抛异常“Bin edges must be unique”。合并逻辑简单粗暴从头扫到尾样本占比低于 5% 的箱就和下一箱合并。实际业务里箱占比低于 5% 的档位解释能力太弱统计上也不稳定合并后模型更稳健。注意每次合并且要重新计算 bad_rate因为评分卡每箱的得分依据就是这箱的坏账浓度。3.3 WOE/IV 计算代码与变量筛选分箱完成后就可以算 WOE 和 IV。这个环节是整个评分卡建模的承重墙代码不难但方向、公式、边界条件一步都不能错。def calc_woe_iv(grouped): 输入 auto_bin 的输出计算每箱 WOE 和变量总 IV df grouped.copy() total_good df[good_sum].sum() total_bad df[bad_sum].sum() df[dist_good] df[good_sum] / total_good df[dist_bad] df[bad_sum] / total_bad # 防 0 保护WOE 公式里有 ln箱内 0 好/0 坏会导致 ±inf df[woe] np.log((df[dist_good] 1e-6) / (df[dist_bad] 1e-6)) df[iv] (df[dist_good] - df[dist_bad]) * df[woe] var_iv df[iv].sum() return df, var_iv # 对每个特征循环计算 IV输出排序结果 iv_dict {} for col in [age, debt_ratio, monthly_income, history_30d, num_queries_3m]: grouped auto_bin(train_df, col, bad) woe_df, var_iv calc_woe_iv(grouped) iv_dict[col] var_iv iv_series pd.Series(iv_dict).sort_values(ascendingFalse) print(iv_series)计算时我只在公式里加了1e-6做平滑替代直接删除零样本箱子——完全删箱会改变分箱结构平滑则保留箱子只做数值保护这个选择要记录到建模文档里。IV 排序出来后低于 0.02 的变量直接剔除IV 在 0.02 到 0.1 之间的看业务价值比如婚姻状况这类字段业务上必须要IV 低也保留IV 超过 0.3 的字段要再确认一下是不是泄露了未来信息。注意分箱不是一次性工作每个变量的分箱结果要人工看一眼单调性。如果 WOE 序列在中间箱反复横跳比如 0.8、-1.2、0.5说明这个变量和风险的关系不稳定优先检查分箱边界是否选错其次考虑删变量。评分卡分箱确实带一点玄学但边界必须服从业务解释不能为了追求单调性硬切。4. 逻辑回归拟合与分数刻度映射从 log-odds 到 600 分4.1 用 WOE 值替换原始特征训练 Logit分箱和 WOE 计算完毕原始特征全部替换成对应箱的 WOE 值。这一步的本质是把非线性特征转成线性且等尺度的值使得逻辑回归的系数可以直接解释为“该变量的整体风险方向和强度”。def woe_transform(df, woe_dict): 把原始特征替换成 WOE 值。 woe_dict 格式: {col: {区间: woe_value}}由训练集生成 df df.copy() for col, mapping in woe_dict.items(): # 每行落在哪个区间取该区间的 WOE df[col _woe] df[col].apply( lambda x: next(v for k, v in mapping.items() if x in k) ) df df.drop(columns[col]) return df模拟数据中连续变量的区间判断可以用pd.IntervalIndex优化next()遍历在小数据集上没问题数据量大时不建议。训练 WOE 映射字典时要注意测试集变换时必须复用训练集的分箱边界和 WOE 值绝不能重新分箱重算——否则测试集的信息会渗进模型验证结果。import statsmodels.api as sm # 构建训练集 WOE 矩阵 X_train train_df[[age, debt_ratio, monthly_income, history_30d]].copy() X_train_woe woe_transform(X_train, woe_dict) y_train train_df[bad] # 1好客户, 0坏客户 # statsmodels 需要手动加常数项截距 X_train_woe_const sm.add_constant(X_train_woe) logit_model sm.Logit(y_train, X_train_woe_const).fit() print(logit_model.summary())这里用 statsmodels 而不是 sklearn 的 LogisticRegression核心原因是想要 P 值和置信区间。评分卡建模不只看系数还要看变量是否统计显著P 值大于 0.1 的变量说明它在 WOE 变换后预测力不稳定一般要剔除或重新分箱。sm.add_constant这一步很容易漏漏了之后截距会被强制为 0评分表的基准分会整体错位后面刻度算出来怎么调都不对。4.2 offset 与 factor 推导把逻辑回归换算成标准分数评分卡标准形式是score offset - factor * ln(odds)这里 odds 是好客户概率与坏客户概率之比因为 y_train 中 1好客户。业务上需要给两个约束设定某个 odds 值对应多少分以及 odds 翻倍时分数变化多少。业界最常用的设定是odds 30:1 时分数为 600odds 每翻一倍分数减少 50。由此可以推导出factor 50 / np.log(2) # ≈ 72.13 offset 600 factor * np.log(30) # ≈ 845.21 print(ffactor{factor:.4f}, offset{offset:.4f})注意这是“好客户为 1”的坐标方向。如果建模时把坏客户设为 1公式要变成score offset factor * ln(odds_bad)分数越高风险越高业务上还得再反转一次。这是最容易搞混的地方建议统一“好1坏0”。评分表的美观性来自把 offset 按变量拆解def build_scorecard(model, woe_dict, offset, factor): 把逻辑回归系数和 WOE 映射成评分卡表 返回每个变量每个分箱区间的加减分数 params model.params intercept params[const] scorecard_list [] for col, mapping in woe_dict.items(): coef params[col _woe] # 该变量在所有样本上的平均 WOE作为基准点 mean_woe sum(mapping.values()) / len(mapping) for interval, woe_val in mapping.items(): # 基准分到每箱相对平均 WOE 的偏移 bin_score -factor * coef * (woe_val - mean_woe) scorecard_list.append({ variable: col, interval: str(interval), woe: round(woe_val, 4), coef: round(coef, 4), score: round(bin_score, 2) }) return pd.DataFrame(scorecard_list) scorecard_df build_scorecard(logit_model, woe_dict, offset, factor) print(scorecard_df.head(10))这里的关键参数是基准点选择每个变量的基准分不直接取 0而是取平均 WOE。这样做的效果是某个变量内部各档的分数围绕 0 上下波动一个中风险的申请人得到的总分等于基础分加上所有变量的偏移量。变量之间的分数可以互相抵消业务方解释起来更直观。总分数计算# 基础分 offset - factor * (截距 Σ(β_i * 平均WOE_i)) base_score offset - factor * ( logit_model.params[const] sum(logit_model.params[c _woe] * mean_woe_lookup[c] for c in woe_dict.keys()) ) def score_samples(df_woe, model, offset, factor, base_score): log_odds model.params[const] for col in woe_dict.keys(): log_odds model.params[col _woe] * df_woe[col _woe] score offset - factor * log_odds return score train_df[score] score_samples(X_train_woe, logit_model, offset, factor, base_score)4.3 AUC 与 KS评分卡能用但不只看这两个数评分卡验证通常报两个指标AUC 和 KS。AUC 反映模型排序能力KS 反映好/坏客户累计分布的分离程度。from sklearn.metrics import roc_auc_score # 测试集同样用训练集的 WOE 映射做变换 X_test test_df[[age, debt_ratio, monthly_income, history_30d]].copy() X_test_woe woe_transform(X_test, woe_dict) y_test test_df[bad] X_test_woe_const sm.add_constant(X_test_woe) y_pred_proba logit_model.predict(X_test_woe_const) auc roc_auc_score(y_test, y_pred_proba) print(fAUC {auc:.3f}) # KS好/坏累计占比差的最大值 def ks_score(y_true, y_pred): df_ks pd.DataFrame({true: y_true, pred: y_pred}) df_ks df_ks.sort_values(pred, ascendingFalse).reset_index(dropTrue) df_ks[cum_bad] (df_ks[true] 0).cumsum() / (df_ks[true] 0).sum() df_ks[cum_good] (df_ks[true] 1).cumsum() / (df_ks[true] 1).sum() return max(df_ks[cum_good] - df_ks[cum_bad]) ks ks_score(y_test, y_pred_proba) print(fKS {ks:.3f})申请评分卡的 AUC 通常落在 0.75 到 0.85 之间KS 在 0.3 到 0.5 之间。超过 0.85 要怀疑是否有标签泄露或特征穿越。另外注意由于 y_train 里 1好客户roc_auc_score计算时正类是“好”AUC 含义是“随机抽一个好客户和一个坏客户好客户的预测分数更高的概率”这符合业务直觉。如果你建模方向是坏1AUC 数值不变但方向要反转再次提醒整个流程的方向一致性。5. 申请评分卡常见问题与避坑清单5.1 分数方向和业务直觉相反现象模型上线后审批团队发现分数越高的人坏账率越高业务方完全无法接受。原因建模时把坏客户设为 1WOE 方向也跟着反转最终分数越高代表风险越大。如果业务方要求“高分低风险”整个评分表就得全部取负姿势非常难看。解决建模开始时统一约定好1、坏0WOE 定义为ln(好占比/坏占比)评分公式用score offset - factor * ln(odds_good)。每做一个环节都检查一次方向别等到评分卡生成再回头改。这是评分卡项目里最贵的一个踩坑点。5.2 qcut 报错或 WOE 出现正负无穷现象pd.qcut报 “Bin edges must be unique”或者 WOE 计算结果是-inf/inf评分卡表里对应档位分数是 ±23.03 这种夸张数字。原因连续变量分布过于集中比如年龄大量等于 30 岁分位数出现重复导致箱边界重合或者某一箱里全是好客户/坏客户ln(0)没有数学意义。解决qcut加duplicatesdrop参数WOE 计算加平滑项避免除零。如果合并后某个箱子样本占比依然过低人工把这个箱子和相邻箱合并。这个环节没有银弹只能靠数据探索阶段把每个变量的分布直方图先打出来看一遍。5.3 随机切分训练/测试集导致时序穿越现象离线验证 AUC 高达 0.9上线后 KS 掉到 0.1模型完全失效。原因train_test_split(random_state42)把同一个客群在不同策略期内的样本混在了一起。信贷策略在观察期内调整过进件标准随机切分等于让模型同时学习两套策略的混合规律上线后面对的是“新策略下的新客群”规律立刻漂移。解决按申请日期排序前 80% 做训练后 20% 做验证。更严格的做法是申请评分卡在验证时还要按时间窗滚动验证训练集用 T 到 T-12 月验证集用 T-1 月模拟真实上线环境。5.4 缺失值直接丢行现象建模时训练集干净上线评分时发现线上数据里大量字段缺失和woe_transform的区间匹配不上程序直接报错。原因训练时用dropna()把缺失行删了模型没见过“缺失”这种取值状态。解决缺失值本身是一种信息单独成箱并在建模阶段就保留。分箱时把缺失值标记为特殊一档比如“未知”WOE 按这档样本的好/坏分布单独计算。评分卡表里这一档可以分配一个中性分数或略偏负的分数而不是上线时一剑封喉。5.5 拒绝推断没做模型只在“通过的人”里学规则现象模型训练样本全部来自“审批通过”的客户通过率越高模型的区分能力越差——因为被拒绝的那批高风险客户根本没有表现标签。原因申请评分卡的训练数据天然是选择性样本。只用通过客户的标签建模等于默认拒绝客户和通过客户风险相同这个假设在进件量大的客群上严重失真。解决常见做法是两阶段拒绝推断reject inference先用通过客户拟合模型对拒绝客户做软标签推断再把拒绝样本按一定权重加回训练集。实操中权重怎么定没有统一标准我一般保守做法是给推断样本 0.3 到 0.5 的权重避免模型过度自信。提示申请评分卡的数据集问题里最隐蔽的就是拒绝推断。公开数据集German Credit、GMSC自带完整标签所以很多人学完建模流程后忽略了这一步实际业务里几乎每个客群都要面对。6. 上线前必做的分数校准校准曲线与 cut-off 设定评分卡上线前最后一步是把分数切成十档逐档对比实际坏账率和模型预期坏账率。这一步能抓出刻度映射阶段的系统性偏差。校准代码如下# 训练集/测试集分数已经算好用 qcut 切成 10 档 df_calib test_df[[score, bad]].copy() df_calib[decile] pd.qcut(df_calib[score], 10, duplicatesdrop) calib df_calib.groupby(decile, observedTrue).agg( n(bad, size), actual_bad(bad, mean) ) # 模型预期坏账率从分数反推概率 # 好客户为1时ln(odds_good) (offset - score) / factor factor 50 / np.log(2) offset 600 factor * np.log(30) calib[pred_bad] 1 / (1 np.exp((offset - calib[decile].apply(lambda x: x.mid)) / factor)) print(calib.round(4))每组分数取区间中位数作为代表分数反推出预期坏账率。实际坏账率和预期坏账率如果整体成比例偏移说明因子和基准分设定有偏差只需调整 offset 平移即可如果高低分段偏差方向不一致说明分箱或者变量选择有问题要回到前面步骤排查。校准完成后再根据通过率和坏账率的平衡点设定 cut-off分数切点通过率预期坏账率建议720 分以上45%0.8%自动通过650~720 分68%2.3%自动通过抽样复核600~650 分82%3.7%人工审批600 分以下12%8.5%拒绝我的个人习惯是cut-off 从不只设一个阈值而是设“硬拒绝线”和“人工复核线”两档中间档留给审批人员结合其他软信息做最后判断。评分卡不是自动化杀戮工具它给业务提供的是“可解释的排序依据”。建模文档里始终保留每次校准的表和调整记录这比模型本身更值钱。这套流程我做了很多次翻过车也补过洞最大的教训就是评分卡的功夫全在模型之外——标签定义、方向一致性、缺失值策略、切分方式任何一环马虎上线后都得加倍还。希望帮到你愿你的模型一次校准通过。本文还有配套的精品资源点击获取
