通常是0到1之間的數值，表示借款人違約的可能性程度。壹般來說，違約概率越高，借款人承擔風險的能力越弱。
因此，銀行和金融機構可以根據違約概率確定借款人的貸款金額、利率和還款期限，並對可能違約的借款人加強風險管理措施。同時，違約概率也可以幫助銀行更準確地評估自身風險水平和業務風險承受能力，有效防範系統性風險。
借款人違約概率是壹項重要的風險評估指標，內部模型是目前常用的方法之壹。以下是壹個經典的內部模型評估流程:
1.數據收集:
首先，我們需要收集壹定量的歷史數據，包括借款人的個人和財務情況、還款記錄等信息。這些數據需要進行預處理、清洗和標準化，以保證數據質量。
2.功能選擇:
在特征選擇階段，需要確定哪些數據對於默認概率模型具有重要的參數。這可以通過探索性數據分析、統計方法和基於機器學習的算法來實現。最後，選擇的特征應該能夠對默認概率模型做出壹定的貢獻，同時排除那些潛在的神經幹擾因素。
數據處理後，需要進行特征選擇，篩選出對缺省預測影響最大的特征維度。通常使用統計方法、機器學習算法和領域知識來選擇特征。
3.模型構建:
特征選擇完成後，需要建立默認的預測模型。模型可以采用各種機器學習算法、統計方法或專家系統，通過訓練數據集進行訓練。
4.模型驗證:
訓練完成後，需要對模型進行驗證。常見的方法是將數據集分為訓練集和測試集，用測試集對模型進行測試，評價模型的預測精度和穩定性。
5.模型應用:
當該模型得到驗證後，它可以應用於新的和未知的借款人數據來預測其違約概率。需要指出的是，利用內部模型評估借款人違約概率是壹項復雜的系統工程，需要在數據處理、特征選擇、模型建立和驗證等方面進行精心設計和管理，最大限度地提高模型的準確性和有效性。
在實際應用中，利用內部模型評估借款人違約可能性需要提供安全保障，同時需要嚴格處理備案、監管和風險管理等問題。此外，模型建立和驗證的過程涉及機器學習和大數據技術，存在數據隱私、安全、解釋、公平等諸多瓶頸需要充分考慮。