Сгруппированные переменные предикторы
сгруппированные переменные предикторы, возвращенные как таблица с помощью дополнительных аргументов пары "имя-значение". Это - таблица одного размера с вводом данных, но только предикторы, заданные в bdata
= bindata(sc,Name,Value
)creditscorecard
PredictorVars
объекта свойство сгруппировано, и остающиеся единицы неизменны.
creditscorecard
Данные как числа интервала, категории или значения WOEВ этом примере показано, как использовать bindata
функционируйте только к интервалу или дискретизируйте данные.
Предположим области значений интервала
'от 0 до 30'
'31 - 50'
'51 и'
определяются для переменной возраста (через ручное или автоматическое раскладывание). Если точка данных с возрастом 41 дана, раскладывание это, точка данных означает помещать его в интервал для 41 года, который является вторым интервалом, или '31 - 50' интервал. Раскладывание является затем отображением из исходных данных в дискретные группы или интервалы. В этом примере можно сказать, что 41-летний сопоставлен в интервал номер 2, или что это сгруппировано в '31 - 50' категория. Если вы знаете значение Веса доказательства (WOE) для каждого из этих трех интервалов, вы могли бы также заменить точку данных 41 на значение WOE, соответствующее второму интервалу. bindata
поддерживает три формата раскладывания, только упомянутые:
Номер интервала (где 'OutputType'
аргумент пары "имя-значение" установлен в 'BinNumber'
); это - опция по умолчанию, и в этом случае, 41 сопоставлен с интервалом 2.
Категориальный (где 'OutputType'
аргумент пары "имя-значение" установлен в 'Categorical'
); в этом случае, 41 сопоставлен с '31 - 50' интервал.
Значение WOE (где 'OutputType'
аргумент пары "имя-значение" установлен в 'WOE'
); в этом случае, 41 сопоставлен со значением WOE интервала номер 2.
Создайте creditscorecard
объект с помощью CreditCardData.mat
файл, чтобы загрузить data
(использование набора данных от Refaat 2011). Используйте 'IDVar'
аргумент, чтобы указать на тот 'CustID'
содержит информацию о ID и не должен быть включен как переменный предиктор.
load CreditCardData sc = creditscorecard(data,'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]
Выполните автоматическое раскладывание.
sc = autobinning(sc);
Покажите информацию об интервале для 'CustAge'
.
bininfo(sc,'CustAge')
ans=8×6 table
Bin Good Bad Odds WOE InfoValue
_____________ ____ ___ ______ _________ _________
{'[-Inf,33)'} 70 53 1.3208 -0.42622 0.019746
{'[33,37)' } 64 47 1.3617 -0.39568 0.015308
{'[37,40)' } 73 47 1.5532 -0.26411 0.0072573
{'[40,46)' } 174 94 1.8511 -0.088658 0.001781
{'[46,48)' } 61 25 2.44 0.18758 0.0024372
{'[48,58)' } 263 105 2.5048 0.21378 0.013476
{'[58,Inf]' } 98 26 3.7692 0.62245 0.0352
{'Totals' } 803 397 2.0227 NaN 0.095205
Это первые 10 значений возраста в исходных данных, используемых, чтобы создать creditscorecard
объект.
data(1:10,'CustAge')
ans=10×1 table
CustAge
_______
53
61
47
50
68
65
34
50
50
49
Данные о протоколе результатов интервала в числа интервала (поведение по умолчанию).
bdata = bindata(sc);
Согласно информации об интервале, первый возраст должен быть сопоставлен в четвертый интервал, второй возраст в пятый интервал, и т.д. Это первые 10 сгруппированных возрастов в числовом формате интервала.
bdata(1:10,'CustAge')
ans=10×1 table
CustAge
_______
6
7
5
6
7
7
2
6
6
6
Интервал данные о протоколе результатов и показывает их метки интервала. Для этого установите bindata
аргумент пары "имя-значение" для 'OutputType'
к 'Categorical'
.
bdata = bindata(sc,'OutputType','Categorical');
Это первые 10 сгруппированных возрастов в категориальном формате.
bdata(1:10,'CustAge')
ans=10×1 table
CustAge
________
[48,58)
[58,Inf]
[46,48)
[48,58)
[58,Inf]
[58,Inf]
[33,37)
[48,58)
[48,58)
[48,58)
Преобразуйте данные о протоколе результатов в значения WOE. Для этого установите bindata
аргумент пары "имя-значение" для 'OutputType'
к 'WOE'
.
bdata = bindata(sc,'OutputType','WOE');
Это первые 10 сгруппированных возрастов в формате WOE. Возрасты сопоставлены со значениями WOE, которые внутренне отображены с помощью bininfo
функция.
bdata(1:10,'CustAge')
ans=10×1 table
CustAge
________
0.21378
0.62245
0.18758
0.21378
0.62245
0.62245
-0.39568
0.21378
0.21378
0.21378
В этом примере показано, как использовать bindata
дополнительный вход функции для данных к интервалу. Если не, если, bindata
интервалы creditscorecard
обучающие данные. Однако, если различный набор данных должен быть сгруппирован, например, некоторые "тестовые" данные, это может быть передано в bindata
как дополнительный вход.
Создайте creditscorecard
объект с помощью CreditCardData.mat
файл, чтобы загрузить data
(использование набора данных от Refaat 2011). Используйте 'IDVar'
аргумент, чтобы указать на тот 'CustID'
содержит информацию о ID и не должен быть включен как переменный предиктор.
load CreditCardData sc = creditscorecard(data,'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]
Выполните автоматическое раскладывание.
sc = autobinning(sc);
Покажите информацию об интервале для 'CustAge'
.
bininfo(sc,'CustAge')
ans=8×6 table
Bin Good Bad Odds WOE InfoValue
_____________ ____ ___ ______ _________ _________
{'[-Inf,33)'} 70 53 1.3208 -0.42622 0.019746
{'[33,37)' } 64 47 1.3617 -0.39568 0.015308
{'[37,40)' } 73 47 1.5532 -0.26411 0.0072573
{'[40,46)' } 174 94 1.8511 -0.088658 0.001781
{'[46,48)' } 61 25 2.44 0.18758 0.0024372
{'[48,58)' } 263 105 2.5048 0.21378 0.013476
{'[58,Inf]' } 98 26 3.7692 0.62245 0.0352
{'Totals' } 803 397 2.0227 NaN 0.095205
В целях рисунка возьмите несколько строк из исходных данных как "тестовые" данные и отобразите первые 10 значений возраста в тестовых данных.
tdata = data(101:110,:);
tdata(1:10,'CustAge')
ans=10×1 table
CustAge
_______
34
59
64
61
28
65
55
37
49
51
Преобразуйте тестовые данные в значения WOE. Для этого установите bindata
аргумент пары "имя-значение" для 'OutputType'
к 'WOE'
, передача тестовых данных (tdata
) как дополнительный вход.
bdata = bindata(sc,tdata,'OutputType','WOE')
bdata=10×11 table
CustID CustAge TmAtAddress ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance UtilRate status
______ ________ ___________ _________ _________ __________ ________ ________ _________ ________ ______
101 -0.39568 -0.087767 -0.095564 0.2418 -0.011271 0.76889 0.053364 -0.11274 0.048576 0
102 0.62245 0.14288 0.019329 -0.19947 0.20579 -0.13107 -0.26832 -0.11274 0.048576 1
103 0.62245 0.02263 0.019329 0.2418 0.47972 -0.12109 0.053364 0.24418 0.092164 0
104 0.62245 0.02263 -0.095564 0.2418 0.47972 -0.12109 0.053364 0.24418 0.048576 0
105 -0.42622 0.02263 0.019329 0.2418 -0.06843 0.76889 0.053364 -0.11274 0.092164 0
106 0.62245 0.02263 0.019329 -0.19947 0.20579 -0.13107 0.053364 -0.11274 -0.22899 0
107 0.21378 -0.087767 -0.095564 0.2418 0.47972 0.26704 0.053364 -0.11274 0.048576 0
108 -0.26411 -0.087767 0.019329 -0.19947 -0.29217 -0.13107 0.053364 -0.11274 0.048576 0
109 0.21378 -0.087767 -0.095564 0.2418 -0.026696 -0.13107 0.053364 0.24418 0.048576 0
110 0.21378 -0.087767 0.019329 0.2418 0.20579 -0.13107 0.053364 -0.29895 -0.22899 0
Это первые 10 сгруппированных возрастов в формате WOE. Возрасты сопоставлены со значениями WOE, отображенными внутренне bininfo
.
bdata(1:10,'CustAge')
ans=10×1 table
CustAge
________
-0.39568
0.62245
0.62245
0.62245
-0.42622
0.62245
0.21378
-0.26411
0.21378
0.21378
BinMissingData'
ОпцияСоздайте creditscorecard
объект с помощью CreditCardData.mat
файл, чтобы загрузить data
с отсутствующими значениями. Переменные CustAge
и ResStatus
имейте отсутствующие значения.
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
Используйте creditscorecard
с аргументом 'BinMissingData'
значения имени установите на
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'
это включает недостающие данные в отдельный интервал, пометил <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'
это включает недостающие данные в отдельный интервал, пометил <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 'ResStatus'
предикторы, там пропускает данные (NaN
s и <undefined>
) в обучающих данных и процессе раскладывания оценивает значение WOE -0.15787
и 0.026469
соответственно для недостающих данных в этих предикторах, как показано выше.
В целях рисунка возьмите несколько строк из исходных данных как тестовые данные и введите некоторые недостающие данные.
tdata = dataMissing(11:14,:); tdata.CustAge(1) = NaN; tdata.TmAtAddress(2) = NaN; tdata.ResStatus(3) = '<undefined>'; tdata.EmpStatus(4) = '<undefined>'; disp(tdata)
CustID CustAge TmAtAddress ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance UtilRate status ______ _______ ___________ ___________ ___________ __________ _______ _______ _________ ________ ______ 11 NaN 24 Tenant Unknown 34000 44 Yes 119.8 0.07 1 12 48 NaN Other Unknown 44000 14 Yes 403.62 0.03 0 13 65 63 <undefined> Unknown 48000 6 No 111.88 0.02 0 14 44 75 Other <undefined> 41000 35 No 436.41 0.18 0
Преобразуйте тестовые данные в значения WOE. Для этого установите bindata
аргумент пары "имя-значение" для 'OutputType'
к 'WOE'
, передача тестовых данных tdata
как дополнительный вход.
bdata = bindata(sc,tdata,'OutputType','WOE'); disp(bdata)
CustID CustAge TmAtAddress ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance UtilRate status ______ ________ ___________ _________ _________ __________ ________ ________ _________ ________ ______ 11 -0.15787 0.02263 -0.095463 -0.19947 -0.06843 -0.12109 0.053364 0.24418 0.048576 1 12 0.17713 NaN 0.19637 -0.19947 0.20579 -0.13107 0.053364 0.24418 0.092164 0 13 0.60931 0.02263 0.026469 -0.19947 0.47972 -0.25547 -0.26832 0.24418 0.092164 0 14 -0.04556 0.02263 0.19637 NaN -0.011271 -0.12109 -0.26832 0.24418 0.048576 0
Для 'CustAge'
и 'ResStatus'
предикторы, потому что там пропускает данные в обучающих данных, отсутствующие значения в тестовых данных, сопоставлены со значением WOE, оцененным для <missing>
интервал. Поэтому отсутствующее значение для 'CustAge'
заменяется -0.15787
, и отсутствующее значение для 'ResStatus'
заменяется 0.026469
.
Для 'TmAtAddress'
и 'EmpStatus'
, обучающие данные не имеют никаких отсутствующих значений, поэтому нет никакого интервала для недостающих данных, и нет никакого способа оценить значение WOE для недостающих данных. Поэтому для этих предикторов, преобразование WOE оставляет отсутствующие значения как отсутствующий (то есть, устанавливает значение WOE NaN
).
Эти правила применяются когда 'OutputType'
установлен в 'WOE'
или 'WOEModelInput'
. Объяснение - то, что, если основанное на данных значение WOE существует для недостающих данных, оно должно использоваться для преобразования WOE и для последующих шагов (например, подбирая логистическую модель или выигрывая).
С другой стороны, когда 'OutputType'
установлен в 'BinNumber'
или 'Categorical'
, bindata
листовые отсутствующие значения, столь недостающие, поскольку это позволяет вам впоследствии обрабатывать недостающие данные, как вы считаете целесообразным.
Например, когда 'OutputType'
установлен в 'BinNumber'
, отсутствующие значения установлены к NaN
:
bdata = bindata(sc,tdata,'OutputType','BinNumber'); disp(bdata)
CustID CustAge TmAtAddress ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance UtilRate status ______ _______ ___________ _________ _________ __________ _______ _______ _________ ________ ______ 11 NaN 2 1 1 3 3 2 1 2 1 12 6 NaN 3 1 6 2 2 1 1 0 13 8 2 NaN 1 7 1 1 1 1 0 14 4 2 3 NaN 5 3 1 1 2 0
И когда 'OutputType'
установлен в 'Categorical'
, отсутствующие значения установлены к '<undefined>'
:
bdata = bindata(sc,tdata,'OutputType','Categorical'); disp(bdata)
CustID CustAge TmAtAddress ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance UtilRate status ______ ___________ ___________ ___________ ___________ _____________ _________ _______ _____________ ___________ ______ 11 <undefined> [23,83) Tenant Unknown [33000,35000) [23,45) Yes [-Inf,558.88) [0.04,0.36) 1 12 [48,51) <undefined> Other Unknown [42000,47000) [12,23) Yes [-Inf,558.88) [-Inf,0.04) 0 13 [58,Inf] [23,83) <undefined> Unknown [47000,Inf] [-Inf,12) No [-Inf,558.88) [-Inf,0.04) 0 14 [40,46) [23,83) Other <undefined> [40000,42000) [23,45) No [-Inf,558.88) [0.04,0.36) 0
bindata
поддерживает следующие типы преобразования WOE:
Когда 'OutputType'
аргумент значения имени установлен в 'WOE'
, bindata
просто применяет преобразование WOE ко всем предикторам и сохраняет остальную часть переменных в исходных данных на месте и неизменный.
Когда 'OutputType'
аргумент пары "имя-значение" установлен в 'WOEModelInput'
, bindata
возвращает таблицу, которая может использоваться непосредственно в качестве входа для того, чтобы подбирать модель логистической регрессии для протокола результатов. В этом случае, bindata
:
Применяет преобразование WOE ко всем предикторам.
Возвращает переменные предикторы, но никакой IDVar
или неиспользуемые переменные включены в выход.
Включает сопоставленную переменную отклика как последний столбец.
fitmodel
вызовы функции bindata
внутренне использование 'WOEModelInput'
опция, чтобы подбирать модель логистической регрессии для creditscorecard
модель.
Создайте creditscorecard
объект с помощью CreditCardData.mat
файл, чтобы загрузить data
(использование набора данных от Refaat 2011). Используйте 'IDVar'
аргумент, чтобы указать на тот 'CustID'
содержит информацию о ID и не должен быть включен как переменный предиктор.
load CreditCardData sc = creditscorecard(data,'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]
Выполните автоматическое раскладывание.
sc = autobinning(sc);
Покажите информацию об интервале для 'CustAge'
.
bininfo(sc,'CustAge')
ans=8×6 table
Bin Good Bad Odds WOE InfoValue
_____________ ____ ___ ______ _________ _________
{'[-Inf,33)'} 70 53 1.3208 -0.42622 0.019746
{'[33,37)' } 64 47 1.3617 -0.39568 0.015308
{'[37,40)' } 73 47 1.5532 -0.26411 0.0072573
{'[40,46)' } 174 94 1.8511 -0.088658 0.001781
{'[46,48)' } 61 25 2.44 0.18758 0.0024372
{'[48,58)' } 263 105 2.5048 0.21378 0.013476
{'[58,Inf]' } 98 26 3.7692 0.62245 0.0352
{'Totals' } 803 397 2.0227 NaN 0.095205
Это первые 10 значений возраста в исходных данных, используемых, чтобы создать creditscorecard
объект.
data(1:10,'CustAge')
ans=10×1 table
CustAge
_______
53
61
47
50
68
65
34
50
50
49
Преобразуйте тестовые данные в значения WOE. Для этого установите bindata
аргумент пары "имя-значение" для 'OutputType'
к 'WOE'
.
bdata = bindata(sc,'OutputType','WOE');
Это первые 10 сгруппированных возрастов в формате WOE. Возрасты сопоставлены со значениями WOE, отображенными внутренне bininfo
.
bdata(1:10,'CustAge')
ans=10×1 table
CustAge
________
0.21378
0.62245
0.18758
0.21378
0.62245
0.62245
-0.39568
0.21378
0.21378
0.21378
Это первые 10 сгруппированных возрастов в формате WOE. Возрасты сопоставлены со значениями WOE, отображенными внутренне bininfo
.
bdata(1:10,'CustAge')
ans=10×1 table
CustAge
________
0.21378
0.62245
0.18758
0.21378
0.62245
0.62245
-0.39568
0.21378
0.21378
0.21378
Размер исходных данных и размер bdata
выход является тем же самым потому что bindata
листовые неиспользуемые переменные (такие как 'IDVar'
) неизменный и на месте.
whos data bdata
Name Size Bytes Class Attributes bdata 1200x11 108987 table data 1200x11 84603 table
Значения отклика являются тем же самым в исходных данных и в сгруппированных данных потому что, по умолчанию, bindata
не изменяет значения отклика.
disp([data.status(1:10) bdata.status(1:10)])
0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 1 1 1
Подбирая модель логистической регрессии с данными WOE, набор 'OutputType'
аргумент пары "имя-значение" 'WOEModelInput'
.
bdata = bindata(sc,'OutputType','WOEModelInput');
Сгруппированные данные о предикторе эквивалентны когда 'OutputType'
аргумент пары "имя-значение" установлен в 'WOE'
.
bdata(1:10,'CustAge')
ans=10×1 table
CustAge
________
0.21378
0.62245
0.18758
0.21378
0.62245
0.62245
-0.39568
0.21378
0.21378
0.21378
Однако размер исходных данных и размер bdata
выход отличается. Это вызвано тем, что bindata
удаляет неиспользуемые переменные (такие как 'IDVar'
).
whos data bdata
Name Size Bytes Class Attributes bdata 1200x10 99167 table data 1200x11 84603 table
Значения отклика также изменяются в этом случае и сопоставлены так, чтобы "Хороший" был 1
и "Плохо" 0
.
disp([data.status(1:10) bdata.status(1:10)])
0 1 0 1 0 1 0 1 0 1 0 1 1 0 0 1 1 0 1 0
sc
— Модель протокола результатов кредитаcreditscorecard
объектМодель протокола результатов кредита в виде creditscorecard
объект. Используйте creditscorecard
создать creditscorecard
объект.
data
— Данные к интервалу, учитывая правила установлены в creditscorecard
объектДанные к интервалу, учитывая правила установлены в creditscorecard
объект, заданное использование таблицы. По умолчанию, data
установлен в creditscorecard
необработанные данные объекта.
Прежде, чем создать creditscorecard
возразите, выполните задачу подготовки данных иметь соответственно структурированный data
как введено к creditscorecard
объект.
Типы данных: table
Задайте дополнительные разделенные запятой пары Name,Value
аргументы. Name
имя аргумента и 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
.
bdata = bindata(sc,'OutputType','WOE','ResponseFormat','Mapped')
'OutputType'
'OutputFormat' 'BinNumber'
(значение по умолчанию) | вектор символов со значениями 'BinNumber'
категориальный
, 'WOE'
Выходной формат в виде разделенной запятой пары, состоящей из 'OutputType'
и вектор символов со следующими значениями:
BinNumber
— Возвращает числа интервала, соответствующие каждому наблюдению.
Categorical
— Возвращает метку интервала, соответствующую каждому наблюдению.
WOE
— Возвращает Вес доказательства (WOE), соответствующий каждому наблюдению.
WOEModelInput
— Используйте эту опцию при подбирании модели. Эта опция:
Возвращает Вес доказательства (WOE), соответствующий каждому наблюдению.
Возвращает переменные предикторы, но никакой IDVar
или неиспользуемые переменные включены в выход.
Отбрасывания любые предикторы, интервалы которых имеют Inf
или NaN
Значения WOE.
Включает сопоставленную переменную отклика как последний столбец.
Примечание
Когда bindata
аргумент пары "имя-значение" 'OutputType'
установлен в 'WOEModelInput'
, bdata
выведите только содержит столбцы, соответствующие предикторам, интервалы которых не имеют Inf
или NaN
Значения веса доказательства (WOE) и bdata
включает сопоставленный ответ как последний столбец.
Недостающие данные (если таковые имеются) включены в bdata
выведите как недостающие данные также и не влияйте на правила отбросить предикторы когда 'OutputType'
установлен в 'WOEModelInput'
.
Типы данных: char
'ResponseFormat'
— Формат значений отклика'RawData'
(значение по умолчанию) | вектор символов со значениями 'RawData'
, 'Mapped'
Формат значений отклика в виде разделенной запятой пары, состоящей из 'ResponseFormat'
и вектор символов со следующими значениями:
RawData
— Переменная отклика копируется неизменная в bdata
вывод .
Mapped
— Значения отклика изменяются (при необходимости) так, чтобы "Хороший" был сопоставлен с 1
, и "Плохо" сопоставлен с 0
.
Типы данных: char
bdata
— Сгруппированные переменные предикторыСгруппированные переменные предикторы, возвращенные как таблица. Это - таблица, одного размера (см. исключение в следующем Примечании) как ввод данных, но только предикторы, заданные в creditscorecard
PredictorVars
объекта свойство сгруппировано, и остающиеся единицы неизменны.
Примечание
Когда bindata
аргумент пары "имя-значение" 'OutputType'
установлен в 'WOEModelInput'
, bdata
выведите только содержит столбцы, соответствующие предикторам, интервалы которых не имеют Inf
или NaN
Значения веса доказательства (WOE) и bdata
включает сопоставленный ответ как последний столбец.
Недостающие данные (если таковые имеются) включены в bdata
выведите как недостающие данные также и не влияйте на правила отбросить предикторы когда 'OutputType'
установлен в 'WOEModelInput'
.
[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
| bininfo
| creditscorecard
| displaypoints
| fitmodel
| formatpoints
| modifybins
| modifypredictor
| plotbins
| predictorinfo
| probdefault
| score
| setmodel
| validatemodel
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
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.