Создайте creditscorecard объект создать модель протокола результатов кредита
Создайте модель протокола результатов кредита путем создания creditscorecard возразите и задайте входные данные в формате таблицы.
После создания creditscorecard объект, можно использовать связанные объектные функции для интервала данные и выполнить анализ логистической регрессии, чтобы разработать модель протокола результатов кредита, чтобы вести решения кредита. Этот рабочий процесс показывает, как разработать модель протокола результатов кредита.
Используйте screenpredictors от Risk Management Toolbox™, чтобы срезать потенциально большой набор предикторов к подмножеству, которое является самым прогнозирующим из переменной отклика карты кредитного рейтинга. Используйте это подмножество предикторов при создании creditscorecard объект.
Создайте creditscorecard объект (см., Создает creditscorecard и Свойства).
Интервал данные с помощью autobinning.
Подбирайте модель логистической регрессии использование fitmodel или fitConstrainedModel.
Рассмотрите и отформатируйте точки протокола результатов кредита с помощью displaypoints и formatpoints. В этой точке в рабочем процессе, если у вас есть лицензия на Risk Management Toolbox, у вас есть опция, чтобы создать compactCreditScorecard объект (csc) использование compact функция. Можно затем использовать следующие функции displaypoints, score, и probdefault от Risk Management Toolbox с csc объект.
Выиграйте данные с помощью score.
Вычислите вероятности значения по умолчанию для данных с помощью probdefault.
Подтвердите качество модели протокола результатов кредита использование validatemodel.
Для более подробной информации об этом рабочем процессе см., что Протокол результатов Кредита Моделирует Рабочий процесс.
sc = creditscorecard(data)creditscorecard объект путем определения data. Модель протокола результатов кредита, возвращенная как creditscorecard возразите, содержит карты раскладывания или правила (точки разделения или группировки категории) для одного или нескольких предикторов.
sc = creditscorecard(___,Name,Value)sc = creditscorecard(data,'GoodLabel',0,'IDVar','CustID','ResponseVar','status','PredictorVars',{'CustAge','CustIncome'},'WeightsVar','RowWeights','BinMissingData',true). Можно задать несколько пар "имя-значение".
Использовать наблюдение (выборка) веса в рабочем процессе протокола результатов кредита, при создании creditscorecard объект, необходимо использовать дополнительную пару "имя-значение" WeightsVar задавать который столбец в data содержит веса.
autobinning | Выполните автоматическое раскладывание данных предикторов |
bininfo | Возвратите информацию об интервале предиктора |
predictorinfo | Сводные данные свойств предиктора протокола результатов кредита |
modifypredictor | Установите свойства предикторов протокола результатов кредита |
modifybins | Измените интервалы предиктора |
bindata | Сгруппированные переменные предикторы |
plotbins | Гистограмма графика значит переменные предикторы |
fitmodel | Подбирайте модель логистической регрессии к данным о Весе доказательства (WOE) |
fitConstrainedModel | Подбирайте модель логистической регрессии к субъекту данных Веса доказательства (WOE) к ограничениям на коэффициенты модели |
setmodel | Установите предикторы модели и коэффициенты |
displaypoints | Возвратите точки на предиктор на интервал |
formatpoints | Точки протокола результатов формата и масштабирование |
score | Вычислите кредитные рейтинги для определенных данных |
probdefault | Вероятность значения по умолчанию для определенных данных установлена |
validatemodel | Подтвердите качество модели протокола результатов кредита |
compact | Создайте компактный протокол результатов кредита |
creditscorecard ОбъектСоздайте creditscorecard объект с помощью CreditCardData.mat файл, чтобы загрузить data (использование набора данных от Refaat 2011).
load CreditCardData
sc = creditscorecard(data)sc =
creditscorecard with properties:
GoodLabel: 0
ResponseVar: 'status'
WeightsVar: ''
VarNames: {1x11 cell}
NumericPredictors: {1x7 cell}
CategoricalPredictors: {'ResStatus' 'EmpStatus' 'OtherCC'}
BinMissingData: 0
IDVar: ''
PredictorVars: {1x10 cell}
Data: [1200x11 table]
creditscorecard Объект, содержащий весаИспользуйте CreditCardData.mat файл, чтобы загрузить данные (dataWeights) это содержит столбец (RowWeights) для весов (использующий набор данных от Refaat 2011).
load CreditCardDataСоздайте creditscorecard объект с помощью дополнительного аргумента пары "имя-значение" для 'WeightsVar'.
sc = creditscorecard(dataWeights,'WeightsVar','RowWeights')
sc =
creditscorecard with properties:
GoodLabel: 0
ResponseVar: 'status'
WeightsVar: 'RowWeights'
VarNames: {1x12 cell}
NumericPredictors: {1x7 cell}
CategoricalPredictors: {'ResStatus' 'EmpStatus' 'OtherCC'}
BinMissingData: 0
IDVar: ''
PredictorVars: {1x10 cell}
Data: [1200x12 table]
creditscorecard Свойства объектовСоздайте creditscorecard объект с помощью CreditCardData.mat файл, чтобы загрузить data (использование набора данных от Refaat 2011).
load CreditCardData
sc = creditscorecard(data)sc =
creditscorecard with properties:
GoodLabel: 0
ResponseVar: 'status'
WeightsVar: ''
VarNames: {1x11 cell}
NumericPredictors: {1x7 cell}
CategoricalPredictors: {'ResStatus' 'EmpStatus' 'OtherCC'}
BinMissingData: 0
IDVar: ''
PredictorVars: {1x10 cell}
Data: [1200x11 table]
Отобразить creditscorecard свойства объектов, используйте запись через точку.
sc.PredictorVars
ans = 1x10 cell array
Columns 1 through 4
{'CustID'} {'CustAge'} {'TmAtAddress'} {'ResStatus'}
Columns 5 through 8
{'EmpStatus'} {'CustIncome'} {'TmWBank'} {'OtherCC'}
Columns 9 through 10
{'AMBalance'} {'UtilRate'}
sc.VarNames
ans = 1x11 cell array
Columns 1 through 4
{'CustID'} {'CustAge'} {'TmAtAddress'} {'ResStatus'}
Columns 5 through 8
{'EmpStatus'} {'CustIncome'} {'TmWBank'} {'OtherCC'}
Columns 9 through 11
{'AMBalance'} {'UtilRate'} {'status'}
creditscorecard ОбъектСоздайте creditscorecard объект с помощью CreditCardData.mat файл, чтобы загрузить data (использование набора данных от Refaat 2011).
load CreditCardData
sc = creditscorecard(data)sc =
creditscorecard with properties:
GoodLabel: 0
ResponseVar: 'status'
WeightsVar: ''
VarNames: {1x11 cell}
NumericPredictors: {1x7 cell}
CategoricalPredictors: {'ResStatus' 'EmpStatus' 'OtherCC'}
BinMissingData: 0
IDVar: ''
PredictorVars: {1x10 cell}
Data: [1200x11 table]
Начиная с IDVar свойство имеет открытый доступ, можно изменить его значение в командной строке.
sc.IDVar = 'CustID'sc =
creditscorecard with properties:
GoodLabel: 0
ResponseVar: 'status'
WeightsVar: ''
VarNames: {1x11 cell}
NumericPredictors: {1x6 cell}
CategoricalPredictors: {'ResStatus' 'EmpStatus' 'OtherCC'}
BinMissingData: 0
IDVar: 'CustID'
PredictorVars: {1x9 cell}
Data: [1200x11 table]
creditscorecard ОбъектСоздайте creditscorecard объект с помощью CreditCardData.mat файл, чтобы загрузить data (использование набора данных от Refaat 2011).
load CreditCardData
sc = creditscorecard(data)sc =
creditscorecard with properties:
GoodLabel: 0
ResponseVar: 'status'
WeightsVar: ''
VarNames: {1x11 cell}
NumericPredictors: {1x7 cell}
CategoricalPredictors: {'ResStatus' 'EmpStatus' 'OtherCC'}
BinMissingData: 0
IDVar: ''
PredictorVars: {1x10 cell}
Data: [1200x11 table]
В этом примере, значениях по умолчанию для свойств ResponseVar, PredictorVars и GoodLabel присвоены, когда этот объект создается. По умолчанию, свойство ResponseVar установлен в имя переменной, которое находится в последнем столбце входных данных ('status' в этом примере). Свойство PredictorVars содержит имена всех переменных, которые находятся в VarNames, но исключает IDVar и ResponseVar. Кроме того, по умолчанию в предыдущем примере, GoodLabel установлен в 0, поскольку это - значение в переменной отклика (ResponseVar) с самым высоким количеством.
Отобразите creditscorecard свойства объектов с помощью записи через точку.
sc.PredictorVars
ans = 1x10 cell array
Columns 1 through 4
{'CustID'} {'CustAge'} {'TmAtAddress'} {'ResStatus'}
Columns 5 through 8
{'EmpStatus'} {'CustIncome'} {'TmWBank'} {'OtherCC'}
Columns 9 through 10
{'AMBalance'} {'UtilRate'}
sc.VarNames
ans = 1x11 cell array
Columns 1 through 4
{'CustID'} {'CustAge'} {'TmAtAddress'} {'ResStatus'}
Columns 5 through 8
{'EmpStatus'} {'CustIncome'} {'TmWBank'} {'OtherCC'}
Columns 9 through 11
{'AMBalance'} {'UtilRate'} {'status'}
Начиная с IDVar и PredictorVars имейте открытый доступ, можно изменить их значения в командной строке.
sc.IDVar = 'CustID'sc =
creditscorecard with properties:
GoodLabel: 0
ResponseVar: 'status'
WeightsVar: ''
VarNames: {1x11 cell}
NumericPredictors: {1x6 cell}
CategoricalPredictors: {'ResStatus' 'EmpStatus' 'OtherCC'}
BinMissingData: 0
IDVar: 'CustID'
PredictorVars: {1x9 cell}
Data: [1200x11 table]
sc.PredictorVars = {'CustIncome','ResStatus','AMBalance'}sc =
creditscorecard with properties:
GoodLabel: 0
ResponseVar: 'status'
WeightsVar: ''
VarNames: {1x11 cell}
NumericPredictors: {'CustIncome' 'AMBalance'}
CategoricalPredictors: {'ResStatus'}
BinMissingData: 0
IDVar: 'CustID'
PredictorVars: {'ResStatus' 'CustIncome' 'AMBalance'}
Data: [1200x11 table]
disp(sc)
creditscorecard with properties:
GoodLabel: 0
ResponseVar: 'status'
WeightsVar: ''
VarNames: {1x11 cell}
NumericPredictors: {'CustIncome' 'AMBalance'}
CategoricalPredictors: {'ResStatus'}
BinMissingData: 0
IDVar: 'CustID'
PredictorVars: {'ResStatus' 'CustIncome' 'AMBalance'}
Data: [1200x11 table]
creditscorecard Объект и набор GoodLabel и ResponseVarСоздайте creditscorecard объект с помощью CreditCardData.mat файл, чтобы загрузить data (использование набора данных от Refaat 2011). Затем используйте аргументы пары "имя-значение" для creditscorecard задавать GoodLabel и ResponseVar.
load CreditCardData sc = creditscorecard(data,'IDVar','CustID','GoodLabel',0,'ResponseVar','status')
sc =
creditscorecard with properties:
GoodLabel: 0
ResponseVar: 'status'
WeightsVar: ''
VarNames: {1x11 cell}
NumericPredictors: {1x6 cell}
CategoricalPredictors: {'ResStatus' 'EmpStatus' 'OtherCC'}
BinMissingData: 0
IDVar: 'CustID'
PredictorVars: {1x9 cell}
Data: [1200x11 table]
GoodLabel и ResponseVar может только быть установлен (осуществленный) при создании creditscorecard объект с помощью creditscorecard.
creditscorecard Объект и набор 'BinMissingData' СвойствоСоздайте creditscorecard объект с помощью CreditCardData.mat файл, чтобы загрузить dataMissing с отсутствующими значениями.
load CreditCardData
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 аргументом 'BinMissingData' значения имени установите на true к интервалу недостающие данные в отдельном интервале.
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 информацию об интервале для числовых данных для 'CustAge' это включает недостающие данные в отдельный интервал, пометил <missing>.
bi = 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 информацию об интервале для категориальных данных для 'ResStatus' это включает недостающие данные в отдельный интервал, пометил <missing>.
bi = 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')
[1] Андерсон, R. Инструментарий рейтинга кредитоспособности. Издательство Оксфордского университета, 2007.
[2] Refaat, M. Подготовка данных для анализа данных Используя SAS. Морган Кофманн, 2006.
[3] Refaat, M. Протоколы результатов кредитного риска: разработка и реализация Используя SAS. lulu.com, 2011.
autobinning | bindata | bininfo | displaypoints | fitConstrainedModel | fitmodel | formatpoints | modifybins | modifypredictor | plotbins | predictorinfo | probdefault | score | screenpredictors | setmodel | table | validatemodel