Точки протокола результатов формата и масштабирование
sc = formatpoints(sc,Name,Value)
изменяет точки протокола результатов и масштабирующий использование дополнительных аргументов пары "имя-значение". Например, используйте дополнительные аргументы пары "имя-значение", чтобы изменить масштабирование очков или округление точек. sc
= formatpoints(sc,Name,Value
)
Этот пример показывает, как использовать formatpoints
, чтобы масштабироваться путем обеспечения Worst
и значений счета Best
. При помощи formatpoints
, чтобы масштабироваться, можно поместить точки и очки в желаемой области значений, которая более значима практически. Технически, это включает линейное преобразование от немасштабированного до масштабированных точек.
Создайте объект creditscorecard
с помощью файла CreditCardData.mat
, чтобы загрузить data
(использующий набор данных от Refaat 2011). Используйте аргумент 'IDVar'
в 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, и отобразите минимальные и максимальные возможные немасштабированные очки.
[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
Шкала путем обеспечения 'Worst'
и 'Best'
выигрывает значения. Спектр, предоставленный ниже, является общей областью значений счета. Отобразите информацию о точках снова, чтобы проверить, что они теперь масштабируются и также отображают масштабированные минимальные и максимальные очки.
sc = formatpoints(sc,'WorstAndBestScores',[300 850]);
[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
Как ожидалось значения MinScore
и MaxScore
соответствуют желаемым худшим и лучшим очкам.
Этот пример показывает, как использовать formatpoints
, чтобы масштабироваться путем обеспечения значений Slope
и Shift
. При помощи formatpoints
, чтобы масштабироваться, можно поместить точки и очки в желаемой области значений, которая более значима практически. Технически, это включает линейное преобразование от немасштабированного до масштабированных точек функцией formatpoints
.
Создайте объект creditscorecard
с помощью файла CreditCardData.mat
, чтобы загрузить data
(использующий набор данных от Refaat 2011). Используйте аргумент 'IDVar'
в 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, и отобразите минимальные и максимальные возможные немасштабированные очки.
[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
Шкала путем обеспечения 'Shift'
и значений 'Slope'
. В этом примере существует произвольный выбор сдвига и наклона. Отобразите информацию о точках снова, чтобы проверить, что они теперь масштабируются и также отображают масштабированные минимальные и максимальные очки.
sc = formatpoints(sc,'ShiftAndSlope',[300 6]);
[PointsInfo,MinScore,MaxScore] = displaypoints(sc)
PointsInfo=30×3 table
Predictors Bin Points
____________ _______________ ______
'CustAge' '[-Inf,33)' 41.904
'CustAge' '[33,37)' 42.015
'CustAge' '[37,40)' 42.495
'CustAge' '[40,46)' 43.136
'CustAge' '[46,48)' 44.144
'CustAge' '[48,58)' 44.239
'CustAge' '[58,Inf]' 45.731
'ResStatus' 'Tenant' 42.67
'ResStatus' 'Home Owner' 43.619
'ResStatus' 'Other' 45.116
'EmpStatus' 'Unknown' 42.399
'EmpStatus' 'Employed' 44.744
'CustIncome' '[-Inf,29000)' 40.114
'CustIncome' '[29000,33000)' 42.229
'CustIncome' '[33000,35000)' 43.171
'CustIncome' '[35000,40000)' 43.347
⋮
MinScore = 292.1401
MaxScore = 318.4355
Этот пример показывает, как использовать formatpoints
, чтобы масштабироваться путем обеспечения точек, уровни разногласий и PDO (указывает, чтобы удвоить разногласия). При помощи formatpoints
, чтобы масштабироваться, можно поместить точки и очки в желаемой области значений, которая более значима практически. Технически, это включает линейное преобразование от немасштабированного до масштабированных точек функцией formatpoints
.
Создайте объект creditscorecard
с помощью файла CreditCardData.mat
, чтобы загрузить data
(использующий набор данных от Refaat 2011). Используйте аргумент 'IDVar'
в 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, и отобразите минимальные и максимальные возможные немасштабированные очки.
[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
Шкала путем обеспечения точек, уровней разногласий и PDO (указывает, чтобы удвоить разногласия). Предположим, что вы хотите, чтобы счет 500 точек имел разногласия 2 (вдвое более вероятный быть хорошими, чем быть плохими) и что разногласия удваивают каждые 50 точек (так, чтобы 550 точек имели бы разногласия 4).
sc = formatpoints(sc,'PointsOddsAndPDO',[500 2 50]);
[PointsInfo,MinScore,MaxScore] = displaypoints(sc)
PointsInfo=30×3 table
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
'EmpStatus' 'Unknown' 58.781
'EmpStatus' 'Employed' 86.971
'CustIncome' '[-Inf,29000)' 31.309
'CustIncome' '[29000,33000)' 56.736
'CustIncome' '[33000,35000)' 68.06
'CustIncome' '[35000,40000)' 70.173
⋮
MinScore = 355.5051
MaxScore = 671.6403
Этот пример показывает, как использовать formatpoints
, чтобы разделить базисные точки от остальной части точек, присвоенных каждой переменной прогноза. Аргумент пары "имя-значение" formatpoints
'BasePoints'
служит этой цели.
Создайте объект creditscorecard
с помощью файла CreditCardData.mat
, чтобы загрузить data
(использующий набор данных от Refaat 2011). Используйте аргумент 'IDVar'
в 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, и отобразите минимальные и максимальные возможные немасштабированные очки.
[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
Путем установки аргумента пары "имя-значение" BasePoints
истине таблица информации о точках сообщает о базисных точках отдельно в первой строке. Минимальные и максимальные возможные очки не затронуты этой опцией.
sc = formatpoints(sc,'BasePoints',true);
[PointsInfo,MinScore,MaxScore] = 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
⋮
MinScore = -1.3100
MaxScore = 3.0726
Этот пример показывает, как использовать formatpoints
для круглых точек. Округление обычно применяется после масштабирования, в противном случае, если точки для конкретного предиктора - все в маленькой области значений, округление могло бы заставить округленные точки для различных интервалов быть тем же самым. Кроме того, округление всех точек может немного изменить минимальное и максимальное общее количество очков.
Создайте объект creditscorecard
с помощью файла CreditCardData.mat
, чтобы загрузить data
(использующий набор данных от Refaat 2011). Используйте аргумент 'IDVar'
в 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, и отобразите минимальные и максимальные возможные немасштабированные очки.
[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
Масштабируйте точки и отобразите информацию о точках. По умолчанию никакое округление не применяется.
sc = formatpoints(sc,'WorstAndBestScores',[300 850]);
PointsInfo = 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
⋮
Используйте аргумент пары "имя-значение" Round
, чтобы применить округление для всех точек и затем отобразить информацию о точках снова.
sc = formatpoints(sc,'Round','AllPoints'); PointsInfo = displaypoints(sc)
PointsInfo=30×3 table
Predictors Bin Points
____________ _______________ ______
'CustAge' '[-Inf,33)' 46
'CustAge' '[33,37)' 49
'CustAge' '[37,40)' 59
'CustAge' '[40,46)' 72
'CustAge' '[46,48)' 93
'CustAge' '[48,58)' 95
'CustAge' '[58,Inf]' 126
'ResStatus' 'Tenant' 62
'ResStatus' 'Home Owner' 82
'ResStatus' 'Other' 114
'EmpStatus' 'Unknown' 57
'EmpStatus' 'Employed' 106
'CustIncome' '[-Inf,29000)' 9
'CustIncome' '[29000,33000)' 53
'CustIncome' '[33000,35000)' 73
'CustIncome' '[35000,40000)' 77
⋮
Этот пример показывает, как использовать formatpoints
, чтобы выиграть то, чтобы избегать или данные из области значений. Когда данные выиграны, некоторые наблюдения могут или отсутствовать (NaN
или undefined
) или из области значений. Необходимо будет решить, присвоены ли точки этим случаям. Используйте аргумент пары "имя-значение" Missing
, чтобы сделать так.
Создайте объект creditscorecard
с помощью файла CreditCardData.mat
, чтобы загрузить данные (использующий набор данных от Refaat 2011). Используйте аргумент 'IDVar'
в 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);
Укажите, что минимальное позволенное значение для 'CustAge'
является нулем. Это делает любые отрицательные величины для возраста недопустимыми или из области значений.
sc = modifybins(sc,'CustAge','MinValue',0);
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
Предположим там отсутствуют или из наблюдений области значений в данных, что вы хотите выиграть. Заметьте, что по умолчанию, точки и счет, присвоенный отсутствующему значению, NaN
.
% Set up a data set with missing and out of range data for illustration purposes newdata = data(1:5,:); newdata.CustAge(1) = NaN; % missing newdata.CustAge(2) = -100; % invalid newdata.ResStatus(3) = '<undefined>'; % missing newdata.ResStatus(4) = 'House'; % invalid disp(newdata)
CustID CustAge TmAtAddress ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance UtilRate status ______ _______ ___________ ___________ _________ __________ _______ _______ _________ ________ ______ 1 NaN 62 Tenant Unknown 50000 55 Yes 1055.9 0.22 0 2 -100 22 Home Owner Employed 52000 25 Yes 1161.6 0.24 0 3 47 30 <undefined> Employed 37000 61 No 877.23 0.29 0 4 50 75 House Employed 53000 20 Yes 157.37 0.08 0 5 68 56 Home Owner Employed 53000 14 Yes 561.84 0.11 0
[Scores,Points] = score(sc,newdata); disp(Scores)
NaN NaN NaN NaN 1.4535
disp(Points)
CustAge ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance _______ _________ _________ __________ _________ ________ _________ NaN -0.031252 -0.076317 0.43693 0.39607 0.15842 -0.017472 NaN 0.12696 0.31449 0.43693 -0.033752 0.15842 -0.017472 0.21445 NaN 0.31449 0.081611 0.39607 -0.19168 -0.017472 0.23039 NaN 0.31449 0.43693 -0.044811 0.15842 0.35551 0.479 0.12696 0.31449 0.43693 -0.044811 0.15842 -0.017472
Используйте аргумент пары "имя-значение" Missing
, чтобы заменить NaN
на точки, соответствующие нулевому Весу доказательства (WOE).
sc = formatpoints(sc,'Missing','ZeroWOE'); [Scores,Points] = score(sc,newdata); disp(Scores)
0.9667 1.0859 0.8978 1.5513 1.4535
disp(Points)
CustAge ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance _______ _________ _________ __________ _________ ________ _________ 0.10034 -0.031252 -0.076317 0.43693 0.39607 0.15842 -0.017472 0.10034 0.12696 0.31449 0.43693 -0.033752 0.15842 -0.017472 0.21445 0.10034 0.31449 0.081611 0.39607 -0.19168 -0.017472 0.23039 0.10034 0.31449 0.43693 -0.044811 0.15842 0.35551 0.479 0.12696 0.31449 0.43693 -0.044811 0.15842 -0.017472
Также используйте аргумент пары "имя-значение" Missing
, чтобы заменить отсутствующее значение на минимальные точки для предикторов, которые имеют отсутствующие значения.
sc = formatpoints(sc,'Missing','MinPoints'); [Scores,Points] = score(sc,newdata); disp(Scores)
0.7074 0.8266 0.7662 1.4197 1.4535
disp(Points)
CustAge ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance ________ _________ _________ __________ _________ ________ _________ -0.15894 -0.031252 -0.076317 0.43693 0.39607 0.15842 -0.017472 -0.15894 0.12696 0.31449 0.43693 -0.033752 0.15842 -0.017472 0.21445 -0.031252 0.31449 0.081611 0.39607 -0.19168 -0.017472 0.23039 -0.031252 0.31449 0.43693 -0.044811 0.15842 0.35551 0.479 0.12696 0.31449 0.43693 -0.044811 0.15842 -0.017472
Как третья альтернатива, используйте аргумент пары "имя-значение" Missing
, чтобы заменить отсутствующее значение на максимальные точки для предикторов, которые имеют отсутствующие значения.
sc = formatpoints(sc,'Missing','MaxPoints'); [Scores,Points] = score(sc,newdata); disp(Scores)
1.3454 1.4646 1.1739 1.8273 1.4535
disp(Points)
CustAge ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance _______ _________ _________ __________ _________ ________ _________ 0.479 -0.031252 -0.076317 0.43693 0.39607 0.15842 -0.017472 0.479 0.12696 0.31449 0.43693 -0.033752 0.15842 -0.017472 0.21445 0.37641 0.31449 0.081611 0.39607 -0.19168 -0.017472 0.23039 0.37641 0.31449 0.43693 -0.044811 0.15842 0.35551 0.479 0.12696 0.31449 0.43693 -0.044811 0.15842 -0.017472
Проверьте, что минимальные и максимальные точки, присвоенные недостающим данным, соответствуют минимальным и максимальным точкам для соответствующих предикторов. О точках для 'CustAge'
сообщают в первых семи строках таблицы информации о точках. Для 'ResStatus'
точки находятся в строках 8 - 10.
PointsInfo = displaypoints(sc); PointsInfo(1:7,:)
ans=7×3 table
Predictors Bin Points
__________ __________ _________
'CustAge' '[0,33)' -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
min(PointsInfo.Points(1:7))
ans = -0.1589
max(PointsInfo.Points(1:7))
ans = 0.4790
PointsInfo(8:10,:)
ans=3×3 table
Predictors Bin Points
___________ ____________ _________
'ResStatus' 'Tenant' -0.031252
'ResStatus' 'Home Owner' 0.12696
'ResStatus' 'Other' 0.37641
min(PointsInfo.Points(8:10))
ans = -0.0313
max(PointsInfo.Points(8:10))
ans = 0.3764
BinMissingData'
Этот пример описывает присвоение точек для недостающих данных, когда опция 'BinMissingData'
установлена в true
.
Предикторы, которые имеют недостающие данные в наборе обучающих данных, имеют явный интервал для <missing>
с соответствующими точками в итоговом протоколе результатов. Эти точки вычисляются из значения Веса доказательства (WOE) для интервала <missing>
и логистических коэффициентов модели. Для выигрыша целей эти точки присвоены отсутствующим значениям и значениям из области значений.
Предикторы без недостающих данных в наборе обучающих данных не имеют никакого интервала <missing>
, поэтому никакое ГОРЕ не может быть оценено от данных тренировки. По умолчанию точки для того, чтобы избегать и значений из области значений установлены в NaN
, и это приводит 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.
Создайте объект creditscorecard
с помощью файла CreditCardData.mat
, чтобы загрузить dataMissing
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]
Установите минимальное значение нуля для CustAge
и CustIncome
. С этим, любым отрицательным возрастом или информацией о доходе становится недопустимым или "из области значений". Для выигрыша целей значениям из области значений дают те же точки как отсутствующие значения.
sc = modifybins(sc,'CustAge','MinValue',0); sc = modifybins(sc,'CustIncome','MinValue',0);
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 ___________ ____ ___ ______ ________ __________ '[0,33)' 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 (NaN
s 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.
Для EmpStatus
и CustIncome
там не явный интервал для отсутствующих значений, потому что данные тренировки не имеют никаких отсутствующих значений для этих предикторов.
bi = bininfo(sc,'EmpStatus');
disp(bi)
Bin Good Bad Odds WOE InfoValue __________ ____ ___ ______ ________ _________ 'Unknown' 396 239 1.6569 -0.19947 0.021715 'Employed' 407 158 2.5759 0.2418 0.026323 'Totals' 803 397 2.0227 NaN 0.048038
bi = bininfo(sc,'CustIncome');
disp(bi)
Bin Good Bad Odds WOE InfoValue _______________ ____ ___ _______ _________ __________ '[0,29000)' 53 58 0.91379 -0.79457 0.06364 '[29000,33000)' 74 49 1.5102 -0.29217 0.0091366 '[33000,35000)' 68 36 1.8889 -0.06843 0.00041042 '[35000,40000)' 193 98 1.9694 -0.026696 0.00017359 '[40000,42000)' 68 34 2 -0.011271 1.0819e-05 '[42000,47000)' 164 66 2.4848 0.20579 0.0078175 '[47000,Inf]' 183 56 3.2679 0.47972 0.041657 'Totals' 803 397 2.0227 NaN 0.12285
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 интервала <missing>
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
Масштабируйте точки протокола результатов "точками, разногласиями, и указывает, чтобы удвоить разногласия (PDO)" метод с помощью аргумента 'PointsOddsAndPDO'
formatpoints
. Предположим, что вы хотите, чтобы счет 500 точек имел разногласия 2 (вдвое более вероятный быть хорошими, чем быть плохими) и что разногласия удваивают каждые 50 точек (так, чтобы 550 точек имели бы разногласия 4).
Отобразите протокол результатов, показывающий масштабированные точки для предикторов, сохраненных в подходящей модели.
sc = formatpoints(sc,'PointsOddsAndPDO',[500 2 50]);
PointsInfo = displaypoints(sc)
PointsInfo=33×3 table
Predictors Bin Points
____________ ____________ ______
'CustAge' '[0,33)' 54.062
'CustAge' '[33,37)' 56.282
'CustAge' '[37,40)' 60.012
'CustAge' '[40,46)' 69.636
'CustAge' '[46,48)' 77.912
'CustAge' '[48,51)' 78.86
'CustAge' '[51,58)' 80.83
'CustAge' '[58,Inf]' 96.76
'CustAge' '<missing>' 64.984
'ResStatus' 'Tenant' 62.138
'ResStatus' 'Home Owner' 73.248
'ResStatus' 'Other' 90.828
'ResStatus' '<missing>' 74.125
'EmpStatus' 'Unknown' 58.807
'EmpStatus' 'Employed' 86.937
'CustIncome' '[0,29000)' 29.375
⋮
Заметьте, что точки для интервала <missing>
для CustAge
и ResStatus
явным образом показывают (как 64.9836
и 74.1250
, соответственно). Эти точки вычисляются из значения WOE для интервала <missing>
и логистических коэффициентов модели.
Для предикторов, которые не имеют никаких недостающих данных в наборе обучающих данных, нет никакого явного интервала <missing>
. 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.
В целях рисунка возьмите несколько строк из исходных данных как тестовые данные и введите некоторые недостающие данные. Также введите некоторых недопустимые, или значения из области значений. Для числовых данных значения ниже минимума (или выше максимума) позволенный рассматриваются недопустимыми, такие как отрицательная величина для возраста (вспомните, что 'MinValue'
был ранее установлен в 0
для CustAge
и CustIncome
). Для категориальных данных недопустимые значения являются категориями, не явным образом включенными в протокол результатов, например, жилое состояние, не ранее сопоставленное с категориями протокола результатов, такими как "Дом" или бессмысленная строка, такими как "abc123".
tdata = dataMissing(11:18,mdl.PredictorNames); % Keep only the predictors retained in the model % Set some missing values tdata.CustAge(1) = NaN; tdata.ResStatus(2) = '<undefined>'; tdata.EmpStatus(3) = '<undefined>'; tdata.CustIncome(4) = NaN; % Set some invalid values tdata.CustAge(5) = -100; tdata.ResStatus(6) = 'House'; tdata.EmpStatus(7) = 'Freelancer'; tdata.CustIncome(8) = -1; disp(tdata)
CustAge ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance _______ ___________ ___________ __________ _______ _______ _________ NaN Tenant Unknown 34000 44 Yes 119.8 48 <undefined> Unknown 44000 14 Yes 403.62 65 Home Owner <undefined> 48000 6 No 111.88 44 Other Unknown NaN 35 No 436.41 -100 Other Employed 46000 16 Yes 162.21 33 House Employed 36000 36 Yes 845.02 39 Tenant Freelancer 34000 40 Yes 756.26 24 Home Owner Employed -1 19 Yes 449.61
Выиграйте новые данные и смотрите, как точки присвоены для пропавших без вести CustAge
и ResStatus
, потому что у нас есть явный интервал с точками для <missing>
. Однако для EmpStatus
и CustIncome
функция score
устанавливает точки на NaN
.
[Scores,Points] = score(sc,tdata); disp(Scores)
481.2231 520.8353 NaN NaN 551.7922 487.9588 NaN NaN
disp(Points)
CustAge ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance _______ _________ _________ __________ _______ _______ _________ 64.984 62.138 58.807 67.893 61.858 75.622 89.922 78.86 74.125 58.807 82.439 61.061 75.622 89.922 96.76 73.248 NaN 96.969 51.132 50.914 89.922 69.636 90.828 58.807 NaN 61.858 50.914 89.922 64.984 90.828 86.937 82.439 61.061 75.622 89.922 56.282 74.125 86.937 70.107 61.858 75.622 63.028 60.012 62.138 NaN 67.893 61.858 75.622 63.028 54.062 73.248 86.937 NaN 61.061 75.622 89.922
Используйте аргумент 'Missing'
значения имени в formatpoints
, чтобы выбрать, как присвоить точки отсутствующим значениям для предикторов, которые не имеют явного интервала <missing>
. В этом примере используйте опцию 'MinPoints'
для аргумента 'Missing'
. Минимальными точками для EmpStatus
в протоколе результатов, отображенном выше, является 58.8072
, и для CustIncome
минимальными точками является 29.3753
.
sc = formatpoints(sc,'Missing','MinPoints'); [Scores,Points] = score(sc,tdata); disp(Scores)
481.2231 520.8353 517.7532 451.3405 551.7922 487.9588 449.3577 470.2267
disp(Points)
CustAge ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance _______ _________ _________ __________ _______ _______ _________ 64.984 62.138 58.807 67.893 61.858 75.622 89.922 78.86 74.125 58.807 82.439 61.061 75.622 89.922 96.76 73.248 58.807 96.969 51.132 50.914 89.922 69.636 90.828 58.807 29.375 61.858 50.914 89.922 64.984 90.828 86.937 82.439 61.061 75.622 89.922 56.282 74.125 86.937 70.107 61.858 75.622 63.028 60.012 62.138 58.807 67.893 61.858 75.622 63.028 54.062 73.248 86.937 29.375 61.061 75.622 89.922
sc
— Модель протокола результатов кредитаcreditscorecard
Модель протокола результатов кредита, заданная как объект creditscorecard
. Используйте creditscorecard
, чтобы создать объект creditscorecard
.
Укажите необязательные аргументы в виде пар ""имя, значение"", разделенных запятыми.
Имя (Name) — это имя аргумента, а значение (Value) — соответствующее значение.
Name
должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.
sc = formatpoints(sc,'BasePoints',true,'Round','AllPoints','WorstAndBestScores',[100, 700])
ShiftAndSlope
, PointsOddsAndPDO
и WorstAndBestScores
масштабируют методы, и можно использовать только один из этих аргументов пары "имя-значение" когда-то. Другие три аргумента пары "имя-значение" (BasePoints
, Missing
и Round
) не масштабируют методы и могут использоваться вместе или с любым из трех методов масштабирования.
'BasePoints'
— Индикатор для разделения базисных точекfalse
(значение по умолчанию) | логический скалярИндикатор для разделения базисных точек, заданных как пара, разделенная запятой, состоящая из 'BasePoints'
и логического скаляра. Если true
, протокол результатов явным образом разделяет базисные точки. Если false
, базисные точки распространены через все переменные в объекте creditscorecard
.
Типы данных: char
пропавшие без вести
Индикатор для точек, присвоенных тому, чтобы избегать или информации из области значений при выигрышеNoScore
(значение по умолчанию) | вектор символов со значениями NoScore
, ZeroWOE
, MinPoints
и MaxPoints
Индикатор для точек, присвоенных тому, чтобы избегать или информации из области значений при выигрыше, заданный как пара, разделенная запятой, состоящая из 'Missing'
и вектора символов со значением для NoScore
, ZeroWOE
, MinPoints
или MaxPoints
, где:
NoScore
— Пропавшие без вести и данные из области значений не зарабатывают очки присвоенные, и точки установлены в NaN
. Кроме того, общий счет установлен в NaN
.
ZeroWOE
— Пропавшие без вести или данные из области значений присвоены нулевое значение Веса доказательства (WOE).
MinPoints
— Пропавшие без вести или данные из области значений понимают минимальные возможные мысли для того предиктора. Это штрафует счет, если более высокие очки лучше.
MaxPoints
— Пропавшие без вести или данные из области значений понимают максимальные возможные мысли для того предиктора. Это штрафует счет, если более низкие очки лучше.
При использовании аргумента 'BinMissingData'
значения имени creditscorecard
со значением true
недостающие данные для числовых и категориальных предикторов сгруппированы в отдельном интервале, маркировал <missing>
. Интервал <missing>
только содержит отсутствующие значения для предиктора и не содержит недопустимые или значения из области значений для предиктора.
Типы данных: char
вокруг
Индикатор, ли к круглым точкам или очкам'None'
(значение по умолчанию) | вектор символов с values'AllPoints'
, 'FinalScore'
Индикатор, ли к круглым точкам или очкам, заданным как пара, разделенная запятой, состоящая из 'Round'
и вектора символов со значениями 'AllPoints'
, 'FinalScore'
или 'None'
, где:
'none'
Никакое округление не применяется.
AllPoints
— Примените округление к точкам каждого предиктора перед сложением общего счета.
FinalScore
— Вокруг итогового счета только (округление применяется после того, как все точки сложены).
Типы данных: char
'ShiftAndSlope'
— Индикатор для сдвига и наклонных масштабных коэффициентов[0,1]
(значение по умолчанию) | числовой массив с двумя элементами [Shift,Slope]
Индикатор для сдвига и наклонные масштабные коэффициенты для протокола результатов кредита, заданного как пара, разделенная запятой, состоящая из 'ShiftAndSlope'
и числового массива с двумя элементами [Shift, Slope]
. Slope
не может быть нулем. Значения ShiftAndSlope
используются, масштабируют модель выигрыша.
ShiftAndSlope
, PointsOddsAndPDO
и WorstAndBestScores
масштабируют методы, и можно использовать только один из этих аргументов пары "имя-значение" когда-то. Другие три аргумента пары "имя-значение" (BasePoints
, Missing
и Round
) не масштабируют методы и могут использоваться вместе или с любым из трех методов масштабирования.
Чтобы удалить предыдущее масштабирование и вернуться к немасштабированным очкам, установите ShiftAndSlope
to[0,1]
.
Типы данных: double
'PointsOddsAndPDO'
— Индикатор для целевых точек для данных разногласий и двойного уровня разногласий[Points,Odds,PDO]
Индикатор для целевых точек (Points
) для данного уровня разногласий (Odds
) и желаемое число точек, чтобы удвоить разногласия (PDO
), заданный как пара, разделенная запятой, состоящая из 'PointsOddsAndPDO'
и числового массива с тремя элементами [Points,Odds,PDO]
. Odds
должен быть положительным числом. Значения PointsOddsAndPDO
используются, чтобы найти масштабные коэффициенты для модели выигрыша.
Точки, чтобы удвоить разногласия (PDO
) могут быть положительными или отрицательными, в зависимости от того, означают ли более высокие очки более низкий риск, или наоборот.
ShiftAndSlope
, PointsOddsAndPDO
и WorstAndBestScores
масштабируют методы, и можно использовать только один из этих аргументов пары "имя-значение" когда-то. Другие три аргумента пары "имя-значение" (BasePoints
, Missing
и Round
) не масштабируют методы и могут использоваться вместе или с любым из трех методов масштабирования.
Чтобы удалить предыдущее масштабирование и вернуться к немасштабированным очкам, установите ShiftAndSlope
to[0,1]
.
Типы данных: double
'WorstAndBestScores'
— Индикатор для худшего (самый высокий риск) и лучше всего (самый низкий риск) очки в протоколе результатов[WorstScore,BestScore]
Индикатор для худшего (самый высокий риск) и лучше всего (самый низкий риск) очки в протоколе результатов, заданном как пара, разделенная запятой, состоящая из 'WorstAndBestScores'
и числового массива с двумя элементами [WorstScore,BestScore]
. WorstScore
и BestScore
должны быть различными значениями. Эти значения WorstAndBestScores
используются, чтобы найти масштабные коэффициенты для модели выигрыша.
WorstScore
означает самый опасный счет, и его значение могло быть ниже или выше, чем 'лучший' счет. Другими словами, 'минимальный' счет может быть 'худшим' счетом или 'лучшим' счетом, в зависимости от желаемой шкалы выигрыша.
ShiftAndSlope
, PointsOddsAndPDO
и WorstAndBestScores
масштабируют методы, и можно использовать только один из этих аргументов пары "имя-значение" когда-то. Другие три аргумента пары "имя-значение" (BasePoints
, Missing
и Round
) не масштабируют методы и могут использоваться вместе или с любым из трех методов масштабирования.
Чтобы удалить предыдущее масштабирование и вернуться к немасштабированным очкам, установите ShiftAndSlope
to[0,1]
.
Типы данных: double
sc
— Модель протокола результатов кредитаcreditscorecard
Модель протокола результатов кредита, возвращенная как обновленный объект creditscorecard
. Для получения дополнительной информации об использовании объекта creditscorecard
смотрите creditscorecard
.
Счет отдельного i дан формулой
Score(i) = Shift + Slope*(b0 + b1*WOE1(i) + b2*WOE2(i)+ ... +bp*WOEp(i))
где bj является коэффициентом j th переменная в модели, и WOEj (i) является значением Веса доказательства (WOE) для the ith человека, соответствующего j th образцовая переменная. Shift
и Slope
масштабируют константы, далее обсужденные ниже. Постоянным масштабированием можно управлять с formatpoints
.
Если данные для отдельного i находятся в i-th строка данного набора данных, чтобы вычислить счет, данные (i, j) являются сгруппированными использующими существующими картами раскладывания, и преобразованный в соответствующий Вес значения Доказательства WOE
j (i). Используя коэффициенты модели, немасштабированный счет вычисляется как
s = b0 + b1*WOE1(i) + ... +bp*WOEp(i).
Для простоты примите в описании выше этого, j-th переменная в модели является j-th столбец во вводе данных, несмотря на то, что в целом порядок переменных в данном наборе данных не должен совпадать с порядком переменных в модели, и набор данных мог иметь дополнительные переменные, которые не используются в модели.
Параметрами форматирования можно управлять с помощью formatpoints
. Когда о базисных точках сообщают отдельно (см. параметр formatpoints
BasePoints
), базисными точками дают
Base Points = Shift + Slope*b0,
Points_ji = Slope*(bj*WOEj(i))).
По умолчанию о базисных точках не сообщают отдельно, в этом случае
Points_ji = (Shift + Slope*b0)/p + Slope*(bj*WOEj(i)),
По умолчанию никакое округление не применяется к точкам функцией score
(Round
является None
). Если Round
установлен в AllPoints
с помощью formatpoints
, то точками для отдельного i для переменной j дают
points if rounding is 'AllPoints': round( Points_ji )
Round
установлен в FinalScore
с помощью formatpoints
, то точки на предиктор не округлены, и только итоговый счет округленscore if rounding is 'FinalScore': round(Score(i)).
Относительно масштабных коэффициентов параметр Shift
и параметр Slope
могут быть установлены непосредственно с параметром ShiftAndSlope
formatpoints
. Также можно использовать параметр formatpoints
для WorstAndBestScores
. В этом случае параметры Shift
и Slope
найдены внутренне путем решения системы
Shift + Slope*smin = WorstScore, Shift + Slope*smax = BestScore,
WorstScore
и BestScore
являются первыми и вторыми элементами в параметре formatpoints
для WorstAndBestScores
, и smin и smax являются минимальными и максимальными возможными немасштабированными очками:smin = b0 + min(b1*WOE1) + ... +min(bp*WOEp), smax = b0 + max(b1*WOE1) + ... +max(bp*WOEp).
Третья альтернатива, чтобы масштабировать очки является параметром PointsOddsAndPDO
в formatpoints
. В этом случае примите, что немасштабированный счет, который s дает логарифмическим разногласиям для строки, и Shift
и параметрам Slope
, найден путем решения следующей системы
Points = Shift + Slope*log(Odds) Points + PDO = Shift + Slope*log(2*Odds)
Points
, Odds
и PDO
("указывает, чтобы удвоить разногласия") являются первыми, вторыми, и третьими элементами в параметре PointsOddsAndPDO
.Каждый раз, когда данный набор данных имеет отсутствие или данные о значении из области значений (i, j), точки для предиктора, j, для отдельного i, установлен в NaN
по умолчанию, который приводит к недостающему счету к той строке (счет NaN
). Используя параметр Missing
для formatpoints
, можно изменить это поведение и установить соответствующее значение Веса доказательства (WOE), чтобы обнулить, или установить точки на минимальные точки или максимальные точки для того предиктора.
[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.
autobinning
| bindata
| bininfo
| creditscorecard
| displaypoints
| fitmodel
| modifybins
| modifypredictor
| plotbins
| predictorinfo
| probdefault
| score
| setmodel
| validatemodel
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.