displaypoints
Возвратите точки на предиктор на интервал
Синтаксис
PointsInfo = displaypoints(sc)[PointsInfo,MinScore,MaxScore]
= displaypoints(sc)[PointsInfo,MinScore,MaxScore]
= displaypoints(___,Name,Value)Описание
PointsInfo = displaypoints(sc)creditscorecard после того, как линейная модель логистической регрессии будет подходящим использованием fitmodel к Весу данных о Доказательстве. Таблица PointsInfo показывает информацию об имени предиктора, метках интервала и соответствующих точках на интервал.
[ возвращает таблицу точек для всех интервалов всех переменных прогноза, используемых в объекте PointsInfo,MinScore,MaxScore]
= displaypoints(sc)creditscorecard после того, как линейная модель логистической регрессии будет подходящей (fitmodel) к Весу данных о Доказательстве. Таблица PointsInfo показывает информацию об имени предиктора, метках интервала и соответствующих точках на интервал и displaypoints. Кроме того, дополнительный MinScore и значения MaxScore возвращены.
[ задает опции с помощью одного или нескольких аргументов пары "имя-значение" в дополнение к входным параметрам в предыдущем синтаксисе. PointsInfo,MinScore,MaxScore]
= displaypoints(___,Name,Value)
Примеры
Отобразите немасштабированные точки
Этот пример показывает, как использовать displaypoints после того, как модель адаптирована, чтобы вычислить немасштабированные точки на интервал для данного предиктора в модели creditscorecard.
Создайте объект creditscorecard с помощью файла CreditCardData.mat, чтобы загрузить data (использующий набор данных от Refaat 2011). Используйте аргумент 'IDVar' в функции creditscorecard, чтобы указать, что 'CustID' содержит информацию о ID и не должен быть включен как переменная прогноза.
load CreditCardData sc = creditscorecard(data,'IDVar','CustID');
Выполните автоматическое раскладывание к интервалу для всех предикторов.
sc = autobinning(sc);
Соответствуйте модели линейной регрессии, использующей параметры по умолчанию.
sc = fitmodel(sc);
1. Adding CustIncome, Deviance = 1490.8527, Chi2Stat = 32.588614, PValue = 1.1387992e-08
2. Adding TmWBank, Deviance = 1467.1415, Chi2Stat = 23.711203, PValue = 1.1192909e-06
3. Adding AMBalance, Deviance = 1455.5715, Chi2Stat = 11.569967, PValue = 0.00067025601
4. Adding EmpStatus, Deviance = 1447.3451, Chi2Stat = 8.2264038, PValue = 0.0041285257
5. Adding CustAge, Deviance = 1441.994, Chi2Stat = 5.3511754, PValue = 0.020708306
6. Adding ResStatus, Deviance = 1437.8756, Chi2Stat = 4.118404, PValue = 0.042419078
7. Adding OtherCC, Deviance = 1433.707, Chi2Stat = 4.1686018, PValue = 0.041179769
Generalized linear regression model:
status ~ [Linear formula with 8 terms in 7 predictors]
Distribution = Binomial
Estimated Coefficients:
Estimate SE tStat pValue
________ ________ ______ __________
(Intercept) 0.70239 0.064001 10.975 5.0538e-28
CustAge 0.60833 0.24932 2.44 0.014687
ResStatus 1.377 0.65272 2.1097 0.034888
EmpStatus 0.88565 0.293 3.0227 0.0025055
CustIncome 0.70164 0.21844 3.2121 0.0013179
TmWBank 1.1074 0.23271 4.7589 1.9464e-06
OtherCC 1.0883 0.52912 2.0569 0.039696
AMBalance 1.045 0.32214 3.2439 0.0011792
1200 observations, 1192 error degrees of freedom
Dispersion: 1
Chi^2-statistic vs. constant model: 89.7, p-value = 1.4e-16
Отобразите немасштабированные точки для предикторов, сохраненных в подходящей модели.
PointsInfo = displaypoints(sc)
PointsInfo=30×3 table
Predictors Bin Points
____________ _______________ _________
'CustAge' '[-Inf,33)' -0.15894
'CustAge' '[33,37)' -0.14036
'CustAge' '[37,40)' -0.060323
'CustAge' '[40,46)' 0.046408
'CustAge' '[46,48)' 0.21445
'CustAge' '[48,58)' 0.23039
'CustAge' '[58,Inf]' 0.479
'ResStatus' 'Tenant' -0.031252
'ResStatus' 'Home Owner' 0.12696
'ResStatus' 'Other' 0.37641
'EmpStatus' 'Unknown' -0.076317
'EmpStatus' 'Employed' 0.31449
'CustIncome' '[-Inf,29000)' -0.45716
'CustIncome' '[29000,33000)' -0.10466
'CustIncome' '[33000,35000)' 0.052329
'CustIncome' '[35000,40000)' 0.081611
⋮
Отобразите немасштабированные точки при использовании Недостающих данных
Создайте объект creditscorecard с помощью файла CreditCardData.mat, чтобы загрузить data с отсутствующими значениями.
load CreditCardData.mat
head(dataMissing,5)ans=5×11 table
CustID CustAge TmAtAddress ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance UtilRate status
______ _______ ___________ ___________ _________ __________ _______ _______ _________ ________ ______
1 53 62 <undefined> Unknown 50000 55 Yes 1055.9 0.22 0
2 61 22 Home Owner Employed 52000 25 Yes 1161.6 0.24 0
3 47 30 Tenant Employed 37000 61 No 877.23 0.29 0
4 NaN 75 Home Owner Employed 53000 20 Yes 157.37 0.08 0
5 68 56 Home Owner Employed 53000 14 Yes 561.84 0.11 0
fprintf('Number of rows: %d\n',height(dataMissing))Number of rows: 1200
fprintf('Number of missing values CustAge: %d\n',sum(ismissing(dataMissing.CustAge)))Number of missing values CustAge: 30
fprintf('Number of missing values ResStatus: %d\n',sum(ismissing(dataMissing.ResStatus)))Number of missing values ResStatus: 40
Используйте creditscorecard с набором аргумента 'BinMissingData' значения имени к true к интервалу недостающие числовые или категориальные данные в отдельном интервале. Примените автоматическое раскладывание.
sc = creditscorecard(dataMissing,'IDVar','CustID','BinMissingData',true); sc = autobinning(sc); disp(sc)
creditscorecard with properties:
GoodLabel: 0
ResponseVar: 'status'
WeightsVar: ''
VarNames: {1x11 cell}
NumericPredictors: {1x6 cell}
CategoricalPredictors: {'ResStatus' 'EmpStatus' 'OtherCC'}
BinMissingData: 1
IDVar: 'CustID'
PredictorVars: {1x9 cell}
Data: [1200x11 table]
Отобразите и постройте информацию об интервале для числовых данных для 'CustAge', который включает недостающие данные в отдельный интервал, маркировал <missing>.
[bi,cp] = bininfo(sc,'CustAge');
disp(bi) Bin Good Bad Odds WOE InfoValue
___________ ____ ___ ______ ________ __________
'[-Inf,33)' 69 52 1.3269 -0.42156 0.018993
'[33,37)' 63 45 1.4 -0.36795 0.012839
'[37,40)' 72 47 1.5319 -0.2779 0.0079824
'[40,46)' 172 89 1.9326 -0.04556 0.0004549
'[46,48)' 59 25 2.36 0.15424 0.0016199
'[48,51)' 99 41 2.4146 0.17713 0.0035449
'[51,58)' 157 62 2.5323 0.22469 0.0088407
'[58,Inf]' 93 25 3.72 0.60931 0.032198
'<missing>' 19 11 1.7273 -0.15787 0.00063885
'Totals' 803 397 2.0227 NaN 0.087112
plotbins(sc,'CustAge')
Отобразите и постройте информацию об интервале для категориальных данных для 'ResStatus', который включает недостающие данные в отдельный интервал, маркировал <missing>.
[bi,cg] = bininfo(sc,'ResStatus');
disp(bi) Bin Good Bad Odds WOE InfoValue
____________ ____ ___ ______ _________ __________
'Tenant' 296 161 1.8385 -0.095463 0.0035249
'Home Owner' 352 171 2.0585 0.017549 0.00013382
'Other' 128 52 2.4615 0.19637 0.0055808
'<missing>' 27 13 2.0769 0.026469 2.3248e-05
'Totals' 803 397 2.0227 NaN 0.0092627
plotbins(sc,'ResStatus')
Для 'CustAge' и предикторов 'ResStatus', там пропускает данные (NaNs и <undefined>) в данных тренировки, и процесс раскладывания оценивает значение WOE -0.15787 и 0.026469 соответственно для недостающих данных в этих предикторах, как показано выше.
Используйте fitmodel, чтобы соответствовать модели логистической регрессии использование данных о Весе доказательства (WOE). fitmodel внутренне преобразовывает все переменные прогноза в значения WOE, с помощью интервалов, найденных с автоматическим процессом раскладывания. fitmodel затем соответствует модели логистической регрессии использование пошагового метода (по умолчанию). Для предикторов, которые имеют недостающие данные, существует явный интервал <missing> с соответствующим значением WOE, вычисленным из данных. При использовании fitmodel соответствующее значение WOE для <недостающего> интервала применяется при выполнении преобразования WOE.
[sc,mdl] = fitmodel(sc);
1. Adding CustIncome, Deviance = 1490.8527, Chi2Stat = 32.588614, PValue = 1.1387992e-08
2. Adding TmWBank, Deviance = 1467.1415, Chi2Stat = 23.711203, PValue = 1.1192909e-06
3. Adding AMBalance, Deviance = 1455.5715, Chi2Stat = 11.569967, PValue = 0.00067025601
4. Adding EmpStatus, Deviance = 1447.3451, Chi2Stat = 8.2264038, PValue = 0.0041285257
5. Adding CustAge, Deviance = 1442.8477, Chi2Stat = 4.4974731, PValue = 0.033944979
6. Adding ResStatus, Deviance = 1438.9783, Chi2Stat = 3.86941, PValue = 0.049173805
7. Adding OtherCC, Deviance = 1434.9751, Chi2Stat = 4.0031966, PValue = 0.045414057
Generalized linear regression model:
status ~ [Linear formula with 8 terms in 7 predictors]
Distribution = Binomial
Estimated Coefficients:
Estimate SE tStat pValue
________ ________ ______ __________
(Intercept) 0.70229 0.063959 10.98 4.7498e-28
CustAge 0.57421 0.25708 2.2335 0.025513
ResStatus 1.3629 0.66952 2.0356 0.04179
EmpStatus 0.88373 0.2929 3.0172 0.002551
CustIncome 0.73535 0.2159 3.406 0.00065929
TmWBank 1.1065 0.23267 4.7556 1.9783e-06
OtherCC 1.0648 0.52826 2.0156 0.043841
AMBalance 1.0446 0.32197 3.2443 0.0011775
1200 observations, 1192 error degrees of freedom
Dispersion: 1
Chi^2-statistic vs. constant model: 88.5, p-value = 2.55e-16
Отобразите немасштабированные точки для предикторов, сохраненных в подходящей модели (чтобы масштабироваться, точки используют formatpoints).
PointsInfo = displaypoints(sc)
PointsInfo=33×3 table
Predictors Bin Points
____________ ______________ _________
'CustAge' '[-Inf,33)' -0.14173
'CustAge' '[33,37)' -0.11095
'CustAge' '[37,40)' -0.059244
'CustAge' '[40,46)' 0.074167
'CustAge' '[46,48)' 0.1889
'CustAge' '[48,51)' 0.20204
'CustAge' '[51,58)' 0.22935
'CustAge' '[58,Inf]' 0.45019
'CustAge' '<missing>' 0.0096749
'ResStatus' 'Tenant' -0.029778
'ResStatus' 'Home Owner' 0.12425
'ResStatus' 'Other' 0.36796
'ResStatus' '<missing>' 0.1364
'EmpStatus' 'Unknown' -0.075948
'EmpStatus' 'Employed' 0.31401
'CustIncome' '[-Inf,29000)' -0.48396
⋮
Заметьте, что точки для интервала <missing> для CustAge и ResStatus явным образом показывают. Эти точки вычисляются из значения WOE для <недостающего> интервала и логистических коэффициентов модели.
Для предикторов, которые не имеют никаких недостающих данных в наборе обучающих данных, нет никакого явного интервала <missing>, и по умолчанию точки установлены в NaN для недостающих данных, и они приводят к счету NaN при выполнении score. Для предикторов, которые не имеют никакого явного интервала <missing>, используйте аргумент 'Missing' значения имени в formatpoints, чтобы указать, как недостающие данные нужно лечить от выигрыша целей.
Отобразите масштабированные точки
Этот пример показывает, как использовать formatpoints после того, как модель адаптирована, чтобы отформатировать масштабируемые точки, и затем использовать displaypoints, чтобы отобразить масштабированные точки на интервал, для данного предиктора в модели creditscorecard.
Точки становятся масштабированными, когда область значений задана. А именно, линейное преобразование от немасштабированного до масштабированных точек необходимо. Это преобразование задано или путем предоставления сдвига и наклона или путем определения худших и лучших возможных очков. (Для получения дополнительной информации смотрите formatpoints.)
Создайте объект creditscorecard с помощью файла CreditCardData.mat, чтобы загрузить data (использующий набор данных от Refaat 2011). Используйте аргумент 'IDVar' в функции creditscorecard, чтобы указать, что 'CustID' содержит информацию о ID и не должен быть включен как переменная прогноза.
load CreditCardData sc = creditscorecard(data,'IDVar','CustID');
Выполните автоматическое раскладывание к интервалу для всех предикторов.
sc = autobinning(sc);
Соответствуйте модели линейной регрессии, использующей параметры по умолчанию.
sc = fitmodel(sc);
1. Adding CustIncome, Deviance = 1490.8527, Chi2Stat = 32.588614, PValue = 1.1387992e-08
2. Adding TmWBank, Deviance = 1467.1415, Chi2Stat = 23.711203, PValue = 1.1192909e-06
3. Adding AMBalance, Deviance = 1455.5715, Chi2Stat = 11.569967, PValue = 0.00067025601
4. Adding EmpStatus, Deviance = 1447.3451, Chi2Stat = 8.2264038, PValue = 0.0041285257
5. Adding CustAge, Deviance = 1441.994, Chi2Stat = 5.3511754, PValue = 0.020708306
6. Adding ResStatus, Deviance = 1437.8756, Chi2Stat = 4.118404, PValue = 0.042419078
7. Adding OtherCC, Deviance = 1433.707, Chi2Stat = 4.1686018, PValue = 0.041179769
Generalized linear regression model:
status ~ [Linear formula with 8 terms in 7 predictors]
Distribution = Binomial
Estimated Coefficients:
Estimate SE tStat pValue
________ ________ ______ __________
(Intercept) 0.70239 0.064001 10.975 5.0538e-28
CustAge 0.60833 0.24932 2.44 0.014687
ResStatus 1.377 0.65272 2.1097 0.034888
EmpStatus 0.88565 0.293 3.0227 0.0025055
CustIncome 0.70164 0.21844 3.2121 0.0013179
TmWBank 1.1074 0.23271 4.7589 1.9464e-06
OtherCC 1.0883 0.52912 2.0569 0.039696
AMBalance 1.045 0.32214 3.2439 0.0011792
1200 observations, 1192 error degrees of freedom
Dispersion: 1
Chi^2-statistic vs. constant model: 89.7, p-value = 1.4e-16
Используйте функцию formatpoints, чтобы масштабировать обеспечение 'Worst' и значений счета 'Best'. Спектр, предоставленный ниже, является общей областью значений счета.
sc = formatpoints(sc,'WorstAndBestScores',[300 850]);Отобразите информацию о точках снова, чтобы проверить, что точки теперь масштабируются и также отображают масштабированные минимальные и максимальные очки.
[PointsInfo,MinScore,MaxScore] = displaypoints(sc)
PointsInfo=30×3 table
Predictors Bin Points
____________ _______________ ______
'CustAge' '[-Inf,33)' 46.396
'CustAge' '[33,37)' 48.727
'CustAge' '[37,40)' 58.772
'CustAge' '[40,46)' 72.167
'CustAge' '[46,48)' 93.256
'CustAge' '[48,58)' 95.256
'CustAge' '[58,Inf]' 126.46
'ResStatus' 'Tenant' 62.421
'ResStatus' 'Home Owner' 82.276
'ResStatus' 'Other' 113.58
'EmpStatus' 'Unknown' 56.765
'EmpStatus' 'Employed' 105.81
'CustIncome' '[-Inf,29000)' 8.9706
'CustIncome' '[29000,33000)' 53.208
'CustIncome' '[33000,35000)' 72.91
'CustIncome' '[35000,40000)' 76.585
⋮
MinScore = 300
MaxScore = 850.0000
Заметьте, что как ожидалось значения MinScore и MaxScore соответствуют худшим и самым лучшим очкам.
Разделите базисные точки от общего количества очков
Этот пример показывает, как использовать displaypoints после того, как модель адаптирована, чтобы разделить базисные точки от остальной части точек, присвоенных каждой переменной прогноза. Аргументом пары "имя-значение" 'BasePoints' в функции formatpoints является булевская переменная, которая служит этой цели. По умолчанию базисные точки распространены через все переменные в протоколе результатов.
Создайте объект creditscorecard с помощью файла CreditCardData.mat, чтобы загрузить data (использующий набор данных от Refaat 2011). Используйте аргумент 'IDVar' в функции creditscorecard, чтобы указать, что 'CustID' содержит информацию о ID и не должен быть включен как переменная прогноза.
load CreditCardData sc = creditscorecard(data,'IDVar','CustID');
Выполните автоматическое раскладывание к интервалу для всех предикторов.
sc = autobinning(sc);
Соответствуйте модели линейной регрессии, использующей параметры по умолчанию.
sc = fitmodel(sc);
1. Adding CustIncome, Deviance = 1490.8527, Chi2Stat = 32.588614, PValue = 1.1387992e-08
2. Adding TmWBank, Deviance = 1467.1415, Chi2Stat = 23.711203, PValue = 1.1192909e-06
3. Adding AMBalance, Deviance = 1455.5715, Chi2Stat = 11.569967, PValue = 0.00067025601
4. Adding EmpStatus, Deviance = 1447.3451, Chi2Stat = 8.2264038, PValue = 0.0041285257
5. Adding CustAge, Deviance = 1441.994, Chi2Stat = 5.3511754, PValue = 0.020708306
6. Adding ResStatus, Deviance = 1437.8756, Chi2Stat = 4.118404, PValue = 0.042419078
7. Adding OtherCC, Deviance = 1433.707, Chi2Stat = 4.1686018, PValue = 0.041179769
Generalized linear regression model:
status ~ [Linear formula with 8 terms in 7 predictors]
Distribution = Binomial
Estimated Coefficients:
Estimate SE tStat pValue
________ ________ ______ __________
(Intercept) 0.70239 0.064001 10.975 5.0538e-28
CustAge 0.60833 0.24932 2.44 0.014687
ResStatus 1.377 0.65272 2.1097 0.034888
EmpStatus 0.88565 0.293 3.0227 0.0025055
CustIncome 0.70164 0.21844 3.2121 0.0013179
TmWBank 1.1074 0.23271 4.7589 1.9464e-06
OtherCC 1.0883 0.52912 2.0569 0.039696
AMBalance 1.045 0.32214 3.2439 0.0011792
1200 observations, 1192 error degrees of freedom
Dispersion: 1
Chi^2-statistic vs. constant model: 89.7, p-value = 1.4e-16
Используйте функцию formatpoints, чтобы разделить базисные точки путем обеспечения аргумента пары "имя-значение" 'BasePoints'.
sc = formatpoints(sc,'BasePoints',true);Отобразите базисные точки, выделенные от других точек, для предикторов, сохраненных в подходящей модели.
PointsInfo = displaypoints(sc)
PointsInfo=31×3 table
Predictors Bin Points
____________ _______________ _________
'BasePoints' 'BasePoints' 0.70239
'CustAge' '[-Inf,33)' -0.25928
'CustAge' '[33,37)' -0.24071
'CustAge' '[37,40)' -0.16066
'CustAge' '[40,46)' -0.053933
'CustAge' '[46,48)' 0.11411
'CustAge' '[48,58)' 0.13005
'CustAge' '[58,Inf]' 0.37866
'ResStatus' 'Tenant' -0.13159
'ResStatus' 'Home Owner' 0.026616
'ResStatus' 'Other' 0.27607
'EmpStatus' 'Unknown' -0.17666
'EmpStatus' 'Employed' 0.21415
'CustIncome' '[-Inf,29000)' -0.5575
'CustIncome' '[29000,33000)' -0.205
'CustIncome' '[33000,35000)' -0.048013
⋮
Отобразите точки после изменения меток интервала
Этот пример показывает, как использовать displaypoints после того, как модель адаптирована, и функция modifybins используется, чтобы обеспечить пользовательские метки интервала для числового предиктора.
Создайте объект creditscorecard с помощью файла CreditCardData.mat, чтобы загрузить data (использующий набор данных от Refaat 2011). Используйте аргумент 'IDVar' в функции creditscorecard, чтобы указать, что 'CustID' содержит информацию о ID и не должен быть включен как переменная прогноза.
load CreditCardData sc = creditscorecard(data,'IDVar','CustID');
Выполните автоматическое раскладывание к интервалу для всех предикторов.
sc = autobinning(sc);
Соответствуйте модели линейной регрессии, использующей параметры по умолчанию.
sc = fitmodel(sc);
1. Adding CustIncome, Deviance = 1490.8527, Chi2Stat = 32.588614, PValue = 1.1387992e-08
2. Adding TmWBank, Deviance = 1467.1415, Chi2Stat = 23.711203, PValue = 1.1192909e-06
3. Adding AMBalance, Deviance = 1455.5715, Chi2Stat = 11.569967, PValue = 0.00067025601
4. Adding EmpStatus, Deviance = 1447.3451, Chi2Stat = 8.2264038, PValue = 0.0041285257
5. Adding CustAge, Deviance = 1441.994, Chi2Stat = 5.3511754, PValue = 0.020708306
6. Adding ResStatus, Deviance = 1437.8756, Chi2Stat = 4.118404, PValue = 0.042419078
7. Adding OtherCC, Deviance = 1433.707, Chi2Stat = 4.1686018, PValue = 0.041179769
Generalized linear regression model:
status ~ [Linear formula with 8 terms in 7 predictors]
Distribution = Binomial
Estimated Coefficients:
Estimate SE tStat pValue
________ ________ ______ __________
(Intercept) 0.70239 0.064001 10.975 5.0538e-28
CustAge 0.60833 0.24932 2.44 0.014687
ResStatus 1.377 0.65272 2.1097 0.034888
EmpStatus 0.88565 0.293 3.0227 0.0025055
CustIncome 0.70164 0.21844 3.2121 0.0013179
TmWBank 1.1074 0.23271 4.7589 1.9464e-06
OtherCC 1.0883 0.52912 2.0569 0.039696
AMBalance 1.045 0.32214 3.2439 0.0011792
1200 observations, 1192 error degrees of freedom
Dispersion: 1
Chi^2-statistic vs. constant model: 89.7, p-value = 1.4e-16
Используйте функцию displaypoints, чтобы отобразить информацию о точке.
[PointsInfo,MinScore,MaxScore] = displaypoints(sc)
PointsInfo=30×3 table
Predictors Bin Points
____________ _______________ _________
'CustAge' '[-Inf,33)' -0.15894
'CustAge' '[33,37)' -0.14036
'CustAge' '[37,40)' -0.060323
'CustAge' '[40,46)' 0.046408
'CustAge' '[46,48)' 0.21445
'CustAge' '[48,58)' 0.23039
'CustAge' '[58,Inf]' 0.479
'ResStatus' 'Tenant' -0.031252
'ResStatus' 'Home Owner' 0.12696
'ResStatus' 'Other' 0.37641
'EmpStatus' 'Unknown' -0.076317
'EmpStatus' 'Employed' 0.31449
'CustIncome' '[-Inf,29000)' -0.45716
'CustIncome' '[29000,33000)' -0.10466
'CustIncome' '[33000,35000)' 0.052329
'CustIncome' '[35000,40000)' 0.081611
⋮
MinScore = -1.3100
MaxScore = 3.0726
Используйте функцию modifybins, чтобы задать пользовательские метки интервала для 'CustAge' так, чтобы области значений интервала были описаны на естественном языке.
labels = {'Up to 32','33 to 36','37 to 39','40 to 45','46 to 47','48 to 57','At least 58'};
sc = modifybins(sc,'CustAge','BinLabels',labels);Повторно выполните displaypoints, чтобы проверить обновленные метки интервала.
[PointsInfo,MinScore,MaxScore] = displaypoints(sc)
PointsInfo=30×3 table
Predictors Bin Points
____________ _______________ _________
'CustAge' 'Up to 32' -0.15894
'CustAge' '33 to 36' -0.14036
'CustAge' '37 to 39' -0.060323
'CustAge' '40 to 45' 0.046408
'CustAge' '46 to 47' 0.21445
'CustAge' '48 to 57' 0.23039
'CustAge' 'At least 58' 0.479
'ResStatus' 'Tenant' -0.031252
'ResStatus' 'Home Owner' 0.12696
'ResStatus' 'Other' 0.37641
'EmpStatus' 'Unknown' -0.076317
'EmpStatus' 'Employed' 0.31449
'CustIncome' '[-Inf,29000)' -0.45716
'CustIncome' '[29000,33000)' -0.10466
'CustIncome' '[33000,35000)' 0.052329
'CustIncome' '[35000,40000)' 0.081611
⋮
MinScore = -1.3100
MaxScore = 3.0726
Вычислите веса предиктора
Этот пример показывает, как использовать протокол результатов кредита, чтобы вычислить веса предикторов. Веса предикторов определяются из области значений точек каждого предиктора, разделенного на общую область значений точек для протокола результатов. Точки для протокола результатов не только учитывают беты, но также и неявно раскладывание значений предиктора и соответствующие веса доказательства.
Создайте протокол результатов.
load CreditCardData.mat sc = creditscorecard(data,'IDVar','CustID'); sc = autobinning(sc); sc = fitmodel(sc);
1. Adding CustIncome, Deviance = 1490.8527, Chi2Stat = 32.588614, PValue = 1.1387992e-08
2. Adding TmWBank, Deviance = 1467.1415, Chi2Stat = 23.711203, PValue = 1.1192909e-06
3. Adding AMBalance, Deviance = 1455.5715, Chi2Stat = 11.569967, PValue = 0.00067025601
4. Adding EmpStatus, Deviance = 1447.3451, Chi2Stat = 8.2264038, PValue = 0.0041285257
5. Adding CustAge, Deviance = 1441.994, Chi2Stat = 5.3511754, PValue = 0.020708306
6. Adding ResStatus, Deviance = 1437.8756, Chi2Stat = 4.118404, PValue = 0.042419078
7. Adding OtherCC, Deviance = 1433.707, Chi2Stat = 4.1686018, PValue = 0.041179769
Generalized linear regression model:
status ~ [Linear formula with 8 terms in 7 predictors]
Distribution = Binomial
Estimated Coefficients:
Estimate SE tStat pValue
________ ________ ______ __________
(Intercept) 0.70239 0.064001 10.975 5.0538e-28
CustAge 0.60833 0.24932 2.44 0.014687
ResStatus 1.377 0.65272 2.1097 0.034888
EmpStatus 0.88565 0.293 3.0227 0.0025055
CustIncome 0.70164 0.21844 3.2121 0.0013179
TmWBank 1.1074 0.23271 4.7589 1.9464e-06
OtherCC 1.0883 0.52912 2.0569 0.039696
AMBalance 1.045 0.32214 3.2439 0.0011792
1200 observations, 1192 error degrees of freedom
Dispersion: 1
Chi^2-statistic vs. constant model: 89.7, p-value = 1.4e-16
Вычислите точки протокола результатов и очки MaxPts и MinPts.
sc = formatpoints(sc,'PointsOddsAndPDO',[500 2 50]);
[PointsTable,MinPts,MaxPts] = displaypoints(sc);
PtsRange = MaxPts-MinPts;
disp(PointsTable(1:10,:)); Predictors Bin Points
___________ ____________ ______
'CustAge' '[-Inf,33)' 52.821
'CustAge' '[33,37)' 54.161
'CustAge' '[37,40)' 59.934
'CustAge' '[40,46)' 67.633
'CustAge' '[46,48)' 79.755
'CustAge' '[48,58)' 80.905
'CustAge' '[58,Inf]' 98.838
'ResStatus' 'Tenant' 62.031
'ResStatus' 'Home Owner' 73.444
'ResStatus' 'Other' 91.438
fprintf('Min points: %g, Max points: %g\n',MinPts,MaxPts); Min points: 355.505, Max points: 671.64
Вычислите веса предиктора.
Predictor = unique(PointsTable.Predictors,'stable'); NumPred = length(Predictor); Weight = zeros(NumPred,1); for ii=1:NumPred Ind = cellfun(@(x)strcmpi(Predictor{ii},x),PointsTable.Predictors); MaxPtsPred = max(PointsTable.Points(Ind)); MinPtsPred = min(PointsTable.Points(Ind)); Weight(ii) = 100*(MaxPtsPred-MinPtsPred)/PtsRange; end PredictorWeights = table(Predictor,Weight); PredictorWeights(end+1,:) = PredictorWeights(end,:); PredictorWeights.Predictor{end} = 'Total'; PredictorWeights.Weight(end) = sum(Weight); disp(PredictorWeights)
Predictor Weight
____________ ______
'CustAge' 14.556
'ResStatus' 9.302
'EmpStatus' 8.9174
'CustIncome' 20.401
'TmWBank' 25.884
'OtherCC' 7.9885
'AMBalance' 12.951
'Total' 100
Веса заданы как область значений точек для предиктора, разделенного на область значений точек для протокола результатов.
Отобразите Точки для Объекта creditscorecard, Который Содержит Недостающие Данные
Чтобы создать объект creditscorecard с помощью файла CreditCardData.mat, загрузите data (использующий набор данных от Refaat 2011). Используя набор данных dataMissing, набор индикатор 'BinMissingData' to true.
load CreditCardData.mat sc = creditscorecard(dataMissing,'BinMissingData',true);
Используйте autobinning с объектом creditscorecard.
sc = autobinning(sc);
Карта раскладывания или правила для категориальных данных получены в итоге в "таблице" группировки категории, возвращенной как дополнительный вывод. По умолчанию каждая категория помещается в отдельный интервал. Вот является информация для предиктора ResStatus.
[bi,cg] = bininfo(sc,'ResStatus')bi=5×6 table
Bin Good Bad Odds WOE InfoValue
____________ ____ ___ ______ _________ __________
'Tenant' 296 161 1.8385 -0.095463 0.0035249
'Home Owner' 352 171 2.0585 0.017549 0.00013382
'Other' 128 52 2.4615 0.19637 0.0055808
'<missing>' 27 13 2.0769 0.026469 2.3248e-05
'Totals' 803 397 2.0227 NaN 0.0092627
cg=3×2 table
Category BinNumber
____________ _________
'Tenant' 1
'Home Owner' 2
'Other' 3
К категориям группы 'Tenant' и 'Other', измените таблицу cg группировки категории, таким образом, номер интервала для 'Other' совпадает с номером интервала для 'Tenant'. Затем используйте modifybins, чтобы обновить объект creditscorecard.
cg.BinNumber(3) = 2; sc = modifybins(sc,'ResStatus','Catg',cg);
Отобразите обновленную информацию об интервале с помощью bininfo. Обратите внимание на то, что метки интервала были обновлены и что информация о членстве в интервале содержится в категории, группирующей cg.
[bi,cg] = bininfo(sc,'ResStatus')bi=4×6 table
Bin Good Bad Odds WOE InfoValue
___________ ____ ___ ______ _________ __________
'Group1' 296 161 1.8385 -0.095463 0.0035249
'Group2' 480 223 2.1525 0.062196 0.0022419
'<missing>' 27 13 2.0769 0.026469 2.3248e-05
'Totals' 803 397 2.0227 NaN 0.00579
cg=3×2 table
Category BinNumber
____________ _________
'Tenant' 1
'Home Owner' 2
'Other' 2
Используйте formatpoints с аргументом пары "имя-значение" 'Missing', чтобы указать, что недостающими данными является присвоенный 'maxpoints'.
sc = formatpoints(sc,'BasePoints',true,'Missing','maxpoints','WorstAndBest',[300 800]);
Используйте fitmodel, чтобы соответствовать модели.
sc = fitmodel(sc,'VariableSelection','fullmodel','Display','Off');
Затем используйте displaypoints с объектом creditscorecard возвратить таблицу точек для всех интервалов всех переменных прогноза, используемых в объекте compactCreditScorecard. Путем установки аргумента пары "имя-значение" displaypoints для 'ShowCategoricalMembers' к true отображены все участники, содержавшиеся в каждой отдельной группе.
[PointsInfo,MinScore,MaxScore] = displaypoints(sc,'ShowCategoricalMembers',true)PointsInfo=43×3 table
Predictors Bin Points
_____________ ____________ _______
'BasePoints' 'BasePoints' 535.25
'CustID' '[-Inf,121)' 12.085
'CustID' '[121,241)' 5.4738
'CustID' '[241,1081)' -1.4061
'CustID' '[1081,Inf]' -7.2217
'CustAge' '[-Inf,33)' -25.973
'CustAge' '[33,37)' -22.67
'CustAge' '[37,40)' -17.122
'CustAge' '[40,46)' -2.8071
'CustAge' '[46,48)' 9.5034
'CustAge' '[48,51)' 10.913
'CustAge' '[51,58)' 13.844
'CustAge' '[58,Inf]' 37.541
'CustAge' '<missing>' -9.7271
'TmAtAddress' '[-Inf,23)' -9.3683
'TmAtAddress' '[23,83)' 2.4156
⋮
MinScore = 300.0000
MaxScore = 800.0000
Входные параметры
Выходные аргументы
Алгоритмы
Точками для предиктора j и интервал i, по умолчанию, дают
Points_ji = (Shift + Slope*b0)/p + Slope*(bj*WOEj(i))
Shift и Slope масштабируют константы.Когда о базисных точках сообщают отдельно (см. аргумент пары "имя-значение" formatpoints BasePoints), базисными точками дают
Base Points = Shift + Slope*b0,
Points_ji = Slope*(bj*WOEj(i))).
По умолчанию о базисных точках не сообщают отдельно.
Минимальные и максимальные очки:
MinScore = Shift + Slope*b0 + min(Slope*b1*WOE1) + ... +min(Slope*bp*WOEp)), MaxScore = Shift + Slope*b0 + max(Slope*b1*WOE1) + ... +max(Slope*bp*WOEp)).
Используйте formatpoints, чтобы управлять способом, которым точки масштабируются, округляются, и сообщают ли о базисных точках отдельно. Смотрите formatpoints для получения дополнительной информации о параметрах формата и для деталей и формул на этих параметрах форматирования.
Ссылки
[1] Андерсон, R. Инструментарий рейтинга кредитоспособности. Издательство Оксфордского университета, 2007.
[2] Refaat, M. Протоколы результатов кредитного риска: разработка и реализация Используя SAS. lulu.com, 2011.
Смотрите также
autobinning | bindata | bininfo | creditscorecard | fitmodel | formatpoints | modifybins | modifypredictor | plotbins | predictorinfo | probdefault | score | setmodel | validatemodel