Эта тема показывает некоторые результаты при использовании протоколов результатов кредита тот поиск и устранение неисправностей потребности. Эти примеры покрывают полный спектр рабочего процесса карты кредитного рейтинга. Для получения дополнительной информации на полном процессе создания и разработки протоколов результатов кредита, см., что Протокол результатов Кредита Моделирует Рабочий процесс.
При попытке использовать modifybins
, bininfo
, или plotbins
и не используйте имя предиктора, синтаксический анализатор возвращает ошибку.
load CreditCardData sc = creditscorecard(data,'IDVar','CustID','GoodLabel',0); modifybins(sc,'CutPoints',[20 30 50 65])
Error using creditscorecard/modifybins (line 79) Expected a string for the parameter name, instead the input type was 'double'.
Решение: Убедитесь, что включали имя предиктора при использовании этих функций. Используйте этот синтаксис, чтобы задать PredictorName
при использовании modifybins
.
load CreditCardData sc = creditscorecard(data,'IDVar','CustID','GoodLabel',0); modifybins(sc,'CustIncome','CutPoints',[20 30 50 65]);
bininfo
или plotbins
Перед раскладываниемЕсли вы используете bininfo
или plotbins
перед раскладыванием результаты могут быть неприменимыми.
load CreditCardData sc = creditscorecard(data,'IDVar','CustID','GoodLabel',0); bininfo(sc,'CustAge') plotbins(sc,'CustAge')
ans = Bin Good Bad Odds WOE InfoValue ________ ____ ___ _______ _________ __________ '21' 2 1 2 -0.011271 3.1821e-07 '22' 3 1 3 0.39419 0.00047977 '23' 1 2 0.5 -1.3976 0.0053002 '24' 3 4 0.75 -0.9921 0.0062895 '25' 3 1 3 0.39419 0.00047977 '26' 4 2 2 -0.011271 6.3641e-07 '27' 6 5 1.2 -0.5221 0.0026744 '28' 10 2 5 0.90502 0.0067112 '29' 8 6 1.3333 -0.41674 0.0021465 '30' 9 10 0.9 -0.80978 0.011321 '31' 8 6 1.3333 -0.41674 0.0021465 '32' 13 13 1 -0.70442 0.011663 '33' 9 11 0.81818 -0.90509 0.014934 '34' 14 12 1.1667 -0.55027 0.0070391 '35' 18 10 1.8 -0.11663 0.00032342 '36' 23 14 1.6429 -0.20798 0.0013772 '37' 28 19 1.4737 -0.31665 0.0041132 '38' 24 14 1.7143 -0.16542 0.0008894 '39' 21 14 1.5 -0.29895 0.0027242 '40' 31 12 2.5833 0.24466 0.0020499 '41' 21 18 1.1667 -0.55027 0.010559 '42' 29 9 3.2222 0.46565 0.0062605 '43' 29 23 1.2609 -0.47262 0.010312 '44' 28 16 1.75 -0.1448 0.00078672 '45' 36 16 2.25 0.10651 0.00048246 '46' 33 19 1.7368 -0.15235 0.0010303 '47' 28 6 4.6667 0.83603 0.016516 '48' 32 17 1.8824 -0.071896 0.00021357 '49' 38 10 3.8 0.63058 0.013957 '50' 33 14 2.3571 0.15303 0.00089239 '51' 28 9 3.1111 0.43056 0.0052525 '52' 35 8 4.375 0.77149 0.01808 '53' 14 8 1.75 -0.1448 0.00039336 '54' 27 12 2.25 0.10651 0.00036184 '55' 20 9 2.2222 0.094089 0.00021044 '56' 20 11 1.8182 -0.10658 0.00029856 '57' 16 7 2.2857 0.12226 0.00028035 '58' 11 7 1.5714 -0.25243 0.00099297 '59' 11 6 1.8333 -0.098283 0.00013904 '60' 9 4 2.25 0.10651 0.00012061 '61' 11 2 5.5 1.0003 0.0086637 '62' 8 0 Inf Inf Inf '63' 7 1 7 1.2415 0.0076953 '64' 10 0 Inf Inf Inf '65' 4 1 4 0.68188 0.0016791 '66' 6 1 6 1.0873 0.0053857 '67' 2 3 0.66667 -1.1099 0.0056227 '68' 6 1 6 1.0873 0.0053857 '69' 6 0 Inf Inf Inf '70' 1 0 Inf Inf Inf '71' 1 0 Inf Inf Inf '72' 1 0 Inf Inf Inf '73' 3 0 Inf Inf Inf '74' 1 0 Inf Inf Inf 'Totals' 803 397 2.0227 NaN Inf
График для CustAge
не читаемо, потому что это имеет слишком много интервалов. Кроме того, bininfo
возвращает данные, которые имеют Inf
значения для WOE, должного обнулять наблюдения или для Good или для Bad.
Решение: Интервал использование данных autobinning
или modifybins
прежде, чем построить или справиться о статистике интервала, постараться не иметь слишком много интервалов или иметь NaN
s и Inf
s. Например, можно использовать аргумент пары "имя-значение" для AlgoOptions
с autobinning
функция, чтобы задать количество интервалов.
load CreditCardData sc = creditscorecard(data,'IDVar','CustID','GoodLabel',0); AlgoOptions = {'NumBins',4}; sc = autobinning(sc,'CustAge','Algorithm','EqualFrequency',... 'AlgorithmOptions',AlgoOptions); bininfo(sc,'CustAge','Totals','off') plotbins(sc,'CustAge')
ans = Bin Good Bad Odds WOE InfoValue ___________ ____ ___ ______ ________ _________ '[-Inf,39)' 186 133 1.3985 -0.36902 0.03815 '[39,46)' 195 108 1.8056 -0.11355 0.0033158 '[46,52)' 192 75 2.56 0.23559 0.011823 '[52,Inf]' 230 81 2.8395 0.33921 0.02795
Категориальные данные часто зарегистрированы с помощью числовых значений и могут храниться в числовом массиве. Несмотря на то, что вы знаете, что данные должны быть интерпретированы как категориальная информация для creditscorecard
этот предиктор похож на числовой массив.
Показать случай, где категориальные данные даны как числовые данные, данные для переменной ResStatus
намеренно преобразован в числовые значения.
load CreditCardData data.ResStatus = double(data.ResStatus); sc = creditscorecard(data,'IDVar','CustID')
sc = creditscorecard with properties: GoodLabel: 0 ResponseVar: 'status' VarNames: {1x11 cell} NumericPredictors: {1x7 cell} CategoricalPredictors: {'EmpStatus' 'OtherCC'} IDVar: 'CustID' PredictorVars: {1x9 cell}
Обратите внимание на то, что 'ResStatus'
появляется как часть NumericPredictors
свойство. Если мы применили автоматическое раскладывание, получившаяся информация об интервале повышает флаги относительно типа предиктора.
sc = autobinning(sc,'ResStatus'); [bi,cg] = bininfo(sc,'ResStatus')
bi = Bin Good Bad Odds WOE InfoValue __________ ____ ___ ______ _________ __________ '[-Inf,2)' 365 177 2.0621 0.019329 0.0001682 '[2,Inf]' 438 220 1.9909 -0.015827 0.00013772 'Totals' 803 397 2.0227 NaN 0.00030592 cg = 2
Числовые области значений в метках интервала показывают тот 'ResStatus'
обрабатывается как числовая переменная. Это также подтверждено тем, что дополнительный выход от bininfo
числовой массив точек разделения, в противоположность таблице с группировками категории. Кроме того, выход от predictorinfo
подтверждает, что протокол результатов кредита обрабатывает данные как числовые.
[T,Stats] = predictorinfo(sc,'ResStatus')
T = PredictorType LatestBinning _____________ ______________________ ResStatus 'Numeric' 'Automatic / Monotone' Stats = Value _______ Min 1 Max 3 Mean 1.7017 Std 0.71863
Решение: для creditscorecard
категориальный
означает тип категориальных данных MATLAB®. Для получения дополнительной информации смотрите categorical
. К treat'ResStatus'
как категориальный, изменение 'PredictorType'
из PredictorName
'ResStatus'
от 'Numeric'
к 'Categorical'
использование modifypredictor
.
sc = modifypredictor(sc,'ResStatus','PredictorType','Categorical') [T,Stats] = predictorinfo(sc,'ResStatus')
sc = creditscorecard with properties: GoodLabel: 0 ResponseVar: 'status' VarNames: {1x11 cell} NumericPredictors: {1x6 cell} CategoricalPredictors: {'ResStatus' 'EmpStatus' 'OtherCC'} IDVar: 'CustID' PredictorVars: {1x9 cell} T = PredictorType Ordinal LatestBinning _____________ _______ _______________ ResStatus 'Categorical' false 'Original Data' Stats = Count _____ C1 542 C2 474 C3 184
Обратите внимание на то, что 'ResStatus'
теперь появляется как часть Категориальных предикторов. Кроме того, predictorinfo
теперь описывает 'ResStatus'
как категориальный и отображения количества категории.
Если вы применяетесь autobinning
, категории теперь переупорядочиваются, как показано путем вызова bininfo
, который также показывает подписи категорий, в противоположность числовым областям значений. Дополнительный выход bininfo
теперь таблица группировки категории.
sc = autobinning(sc,'ResStatus'); [bi,cg] = bininfo(sc,'ResStatus')
bi = Bin Good Bad Odds WOE InfoValue ________ ____ ___ ______ _________ _________ 'C2' 307 167 1.8383 -0.095564 0.0036638 'C1' 365 177 2.0621 0.019329 0.0001682 'C3' 131 53 2.4717 0.20049 0.0059418 'Totals' 803 397 2.0227 NaN 0.0097738 cg = Category BinNumber ________ _________ 'C2' 1 'C1' 2 'C3' 3
NaN
s Возвратился При Выигрыше “Тестового” Набора данныхПри применении creditscorecard
модель к “тестовому” набору данных с помощью score
функция, если наблюдение в “тестовом” наборе данных имеет NaN
или <undefined>
значение, NaN
общий счет возвращен для каждого из этих наблюдений. Например, creditscorecard
объект создается с помощью “учебных” данных.
load CreditCardData 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: logit(status) ~ 1 + CustAge + ResStatus + EmpStatus + CustIncome + TmWBank + OtherCC + AMBalance 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 что недостающее наблюдение (Nan
) добавляется к данным и затем newdata
выигран с помощью score
функция. По умолчанию точками и счетом, присвоенным отсутствующему значению, является NaN
.
newdata = data(1:10,:); newdata.CustAge(1) = NaN; [Scores,Points] = score(sc,newdata)
Scores = NaN 1.4646 0.7662 1.5779 1.4535 1.8944 -0.0872 0.9207 1.0399 0.8252 Points = CustAge ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance ________ _________ _________ __________ _________ ________ _________ NaN -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 -0.031252 0.31449 0.081611 0.39607 -0.19168 -0.017472 0.23039 0.12696 0.31449 0.43693 -0.044811 0.15842 0.35551 0.479 0.12696 0.31449 0.43693 -0.044811 0.15842 -0.017472 0.479 0.12696 0.31449 0.43693 0.39607 0.15842 -0.017472 -0.14036 0.12696 -0.076317 -0.10466 -0.033752 0.15842 -0.017472 0.23039 0.37641 0.31449 0.43693 -0.033752 -0.19168 -0.21206 0.23039 -0.031252 -0.076317 0.43693 -0.033752 0.15842 0.35551 0.23039 0.12696 -0.076317 0.43693 -0.033752 0.15842 -0.017472
Кроме того, заметьте это потому что CustAge
предиктором для первого наблюдения является NaN
, соответствующий Scores
выходом является NaN
также.
Решение: Чтобы решить этот вопрос, используйте formatpoints
функция с аргументом пары "имя-значение" Missing
. При использовании Missing
, можно заменить NaN
предиктора значение согласно трем альтернативным критериям (
'ZeroWoe'
, 'MinPoints'
, или 'MaxPoints'
).
Например, используйте Missing
заменять отсутствующее значение на 'MinPoints'
опция. Строка с недостающими данными теперь имеет соответствие счета присвоению его минимальные возможные точки для CustAge
.
sc = formatpoints(sc,'Missing','MinPoints'); [Scores,Points] = score(sc,newdata) PointsTable = displaypoints(sc); PointsTable(1:7,:)
Scores = 0.7074 1.4646 0.7662 1.5779 1.4535 1.8944 -0.0872 0.9207 1.0399 0.8252 Points = CustAge ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance ________ _________ _________ __________ _________ ________ _________ -0.15894 -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 -0.031252 0.31449 0.081611 0.39607 -0.19168 -0.017472 0.23039 0.12696 0.31449 0.43693 -0.044811 0.15842 0.35551 0.479 0.12696 0.31449 0.43693 -0.044811 0.15842 -0.017472 0.479 0.12696 0.31449 0.43693 0.39607 0.15842 -0.017472 -0.14036 0.12696 -0.076317 -0.10466 -0.033752 0.15842 -0.017472 0.23039 0.37641 0.31449 0.43693 -0.033752 -0.19168 -0.21206 0.23039 -0.031252 -0.076317 0.43693 -0.033752 0.15842 0.35551 0.23039 0.12696 -0.076317 0.43693 -0.033752 0.15842 -0.017472 ans = 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
Заметьте, что Scores
выведите имеет значение для первой потребительской записи потому что CustAge
теперь имеет значение, и счет может быть вычислен для первой потребительской записи.
autobinning
| bindata
| bininfo
| creditscorecard
| displaypoints
| fitmodel
| formatpoints
| modifybins
| modifypredictor
| plotbins
| predictorinfo
| probdefault
| score
| setmodel
| validatemodel