В этом примере показано, как создать протокол результатов кредита с помощью приложения Binning Explorer. Используйте Binning Explorer для интервала данные, постройте сгруппированную информацию о данных и экспортируйте creditscorecard объект. Затем используйте creditscorecard объект с функциями от Financial Toolbox™, чтобы подбирать модель логистической регрессии, определите счет к данным, определите вероятности значения по умолчанию и подтвердите модель протокола результатов кредита использование трех различных метрик.
Шаг 1. Загрузите протокол результатов кредита data в рабочее пространство MATLAB.
Шаг 3. Подстройте интервалы с помощью ручного раскладывания в Binning Explorer.
Шаг 4. Экспортируйте creditscorecard объект от Binning Explorer.
data в рабочее пространство MATLAB.Используйте CreditCardData.mat файл, чтобы загрузить data в рабочую область MATLAB® (использующий набор данных от Refaat 2011).
load CreditCardData
disp(data(1:10,:)) CustID CustAge TmAtAddress ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance UtilRate status
______ _______ ___________ __________ _________ __________ _______ _______ _________ ________ ______
1 53 62 Tenant 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 50 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
6 65 13 Home Owner Employed 48000 59 Yes 968.18 0.15 0
7 34 32 Home Owner Unknown 32000 26 Yes 717.82 0.02 1
8 50 57 Other Employed 51000 33 No 3041.2 0.13 0
9 50 10 Tenant Unknown 52000 25 Yes 115.56 0.02 1
10 49 30 Home Owner Unknown 53000 23 Yes 718.5 0.17 1 data в Binning Explorer.Откройте Binning Explorer от панели инструментов MATLAB: На вкладке Apps, под Computational Finance, кликают по значку приложения. В качестве альтернативы можно ввести binningExplorer на командной строке MATLAB. Для получения дополнительной информации о запуске Binning Explorer из командной строки смотрите, Начинают с командной строки MATLAB Используя Данные или Существующий Объект creditscorecard.
От панели инструментов Binning Explorer выберите Import Data, чтобы открыть окно Import Data.
Под Step 1 выберите data.
Под Step 2, опционально устанавливает Variable Type для каждого из предикторов. По умолчанию, последний столбец в данных ('status' в этом примере), установлен в 'Response'. Значение отклика с самым высоким количеством (0 в этом примере), установлен в 'Good'. Все другие переменные рассматриваются предикторами. Однако в этом примере, потому что 'CustID' не предиктор, установите столбец Variable Type для 'CustID' к Do not include.
Примечание
Если таблица входа MATLAB содержит столбец для weights, от панели Step 2, с помощью столбца Variable Type, кликают по выпадающему, чтобы выбрать Weights. Для получения дополнительной информации об использовании весов наблюдения с creditscorecard возразите, см., что Протокол результатов Кредита Моделирует Используя Веса Наблюдения.
Если данные содержат отсутствующие значения от панели Step 2, установите Bin missing data: на Yes. Для получения дополнительной информации о работе с недостающими данными смотрите, Приписывают Моделированию Протокола результатов Отсутствующие значения.
Под Step 3, отпуск Monotone как первоначальный алгоритм раскладывания по умолчанию.
Нажмите Import Data, чтобы завершить операцию импорта. Автоматическое раскладывание с помощью выбранного алгоритма применяется ко всем предикторам, когда они импортируются в Binning Explorer.
Интервалы построены и отображены для каждого предиктора. Путем нажатия, чтобы выбрать отдельный график предиктора из панели Overview, детали для того предиктора строят отображение в основной панели и в Bin Information и панелях Predictor Information в нижней части приложения.
Binning Explorer выполняет автоматическое раскладывание для каждого переменного предиктора, с помощью 'Monotone' по умолчанию алгоритм с опциями алгоритма по умолчанию. Монотонный, идеально линейный тренд в Весе доказательства (WOE) часто желателен для протоколов результатов кредита, потому что это переводит в линейные точки для данного предиктора. Тренды WOE визуализируются на графиках для каждого предиктора в Binning Explorer.
Выполните некоторое исследование исходных данных. Справьтесь о статистике предиктора для 'ResStatus' категориальная переменная.
Кликните по графику ResStatus. Панель Bin Information содержит “Хорошие” и “Плохие” частоты и другую статистику интервала, такие как вес доказательства (WOE).
Для числовых данных отображены те же статистические данные. Кликните по графику CustIncome. Bin Information обновляется с информацией о CustIncome.
Кликните по графику предиктора CustAge. Заметьте, что интервалы 1 и 2 имеют подобное ГОРЕ, также, как и интервалы 5 и 6.
Чтобы объединить интервалы 1 и 2, от основной панели, нажимают Ctrl + нажатие кнопки или Shift + нажатие кнопки, чтобы мультивыбрать интервал 1 и 2, чтобы отобразиться с синими основами для слияния.
На панели инструментов Binning Explorer текстовые поля Edges отображают значения для ребер выбранных интервалов, чтобы объединить.
Нажмите Merge, чтобы закончить объединять интервалы 1 и 2. График предиктора CustAge обновляется для новой информации об интервале и деталей в Bin Information, и панели Predictor Information также обновляются.
Затем объедините интервалы 4 и 5, потому что у них также есть подобное ГОРЕ.
График предиктора CustAge обновляется с новой информацией об интервале. Детали в Bin Information и панелях Predictor Information также обновляются.
Повторите эту операцию слияния для следующих интервалов, которые имеют подобное ГОРЕ:
Для CustIncome, интервалы слияния 3, 4 и 5.
Для TmWBank, интервалы слияния 2 и 3.
Для AMBalance, интервалы слияния 2 и 3.
Теперь интервалы для всех предикторов имеют близко-к-линейному тренды WOE.
creditscorecard объект от Binning Explorer.После того, как вы завершите свои присвоения раскладывания, с помощью Binning Explorer, нажмите Export и затем нажмите Export Scorecard и обеспечьте creditscorecard имя объекта. creditscorecard объект (sc) сохранено в рабочее пространство MATLAB.
Используйте fitmodel функция, чтобы подбирать модель логистической регрессии к данным WOE. fitmodel внутренне интервалы обучающие данные, преобразовывает его в значения WOE, сопоставляет переменную отклика так, чтобы 'Good' 1, и подбирает линейную модель логистической регрессии. По умолчанию, fitmodel использует пошаговую процедуру, чтобы определить, какие предикторы принадлежат модели.
sc = fitmodel(sc);
1. Adding CustIncome, Deviance = 1490.8954, Chi2Stat = 32.545914, PValue = 1.1640961e-08
2. Adding TmWBank, Deviance = 1467.3249, Chi2Stat = 23.570535, PValue = 1.2041739e-06
3. Adding AMBalance, Deviance = 1455.858, Chi2Stat = 11.466846, PValue = 0.00070848829
4. Adding EmpStatus, Deviance = 1447.6148, Chi2Stat = 8.2432677, PValue = 0.0040903428
5. Adding CustAge, Deviance = 1442.06, Chi2Stat = 5.5547849, PValue = 0.018430237
6. Adding ResStatus, Deviance = 1437.9435, Chi2Stat = 4.1164321, PValue = 0.042468555
7. Adding OtherCC, Deviance = 1433.7372, Chi2Stat = 4.2063597, PValue = 0.040272676
Generalized Linear regression model:
logit(status) ~ 1 + CustAge + ResStatus + EmpStatus + CustIncome + TmWBank + OtherCC + AMBalance
Distribution = Binomial
Estimated Coefficients:
Estimate SE tStat pValue
________ _______ ______ __________
(Intercept) 0.7024 0.064 10.975 5.0407e-28
CustAge 0.61562 0.24783 2.4841 0.012988
ResStatus 1.3776 0.65266 2.1107 0.034799
EmpStatus 0.88592 0.29296 3.024 0.0024946
CustIncome 0.69836 0.21715 3.216 0.0013001
TmWBank 1.106 0.23266 4.7538 1.9958e-06
OtherCC 1.0933 0.52911 2.0662 0.038806
AMBalance 1.0437 0.32292 3.2322 0.0012285
1200 observations, 1192 error degrees of freedom
Dispersion: 1
Chi^2-statistic vs. constant model: 89.7, p-value = 1.42e-16После того, чтобы подбирать логистическую модель моменты не масштабированы по умолчанию и наступают непосредственно от комбинации значений WOE и коэффициентов модели. Используйте displaypoints функция, чтобы обобщить точки протокола результатов.
p1 = displaypoints(sc); disp(p1)
Predictors Bin Points
____________ __________________ _________
'CustAge' '[-Inf,37)' -0.15314
'CustAge' '[37,40)' -0.062247
'CustAge' '[40,46)' 0.045763
'CustAge' '[46,58)' 0.22888
'CustAge' '[58,Inf]' 0.48354
'ResStatus' 'Tenant' -0.031302
'ResStatus' 'Home Owner' 0.12697
'ResStatus' 'Other' 0.37652
'EmpStatus' 'Unknown' -0.076369
'EmpStatus' 'Employed' 0.31456
'CustIncome' '[-Inf,29000)' -0.45455
'CustIncome' '[29000,33000)' -0.1037
'CustIncome' '[33000,42000)' 0.077768
'CustIncome' '[42000,47000)' 0.24406
'CustIncome' '[47000,Inf]' 0.43536
'TmWBank' '[-Inf,12)' -0.18221
'TmWBank' '[12,45)' -0.038279
'TmWBank' '[45,71)' 0.39569
'TmWBank' '[71,Inf]' 0.95074
'OtherCC' 'No' -0.193
'OtherCC' 'Yes' 0.15868
'AMBalance' '[-Inf,558.88)' 0.3552
'AMBalance' '[558.88,1597.44)' -0.026797
'AMBalance' '[1597.44,Inf]' -0.21168Использование modifybins дать интервалам более описательные метки.
sc = modifybins(sc,'CustAge','BinLabels',... {'Up to 36' '37 to 39' '40 to 45' '46 to 57' '58 and up'}); sc = modifybins(sc,'CustIncome','BinLabels',... {'Up to 28999' '29000 to 32999' '33000 to 41999' '42000 to 46999' '47000 and up'}); sc = modifybins(sc,'TmWBank','BinLabels',... {'Up to 11' '12 to 44' '45 to 70' '71 and up'}); sc = modifybins(sc,'AMBalance','BinLabels',... {'Up to 558.87' '558.88 to 1597.43' '1597.44 and up'}); p1 = displaypoints(sc); disp(p1)
Predictors Bin Points
____________ ___________________ _________
'CustAge' 'Up to 36' -0.15314
'CustAge' '37 to 39' -0.062247
'CustAge' '40 to 45' 0.045763
'CustAge' '46 to 57' 0.22888
'CustAge' '58 and up' 0.48354
'ResStatus' 'Tenant' -0.031302
'ResStatus' 'Home Owner' 0.12697
'ResStatus' 'Other' 0.37652
'EmpStatus' 'Unknown' -0.076369
'EmpStatus' 'Employed' 0.31456
'CustIncome' 'Up to 28999' -0.45455
'CustIncome' '29000 to 32999' -0.1037
'CustIncome' '33000 to 41999' 0.077768
'CustIncome' '42000 to 46999' 0.24406
'CustIncome' '47000 and up' 0.43536
'TmWBank' 'Up to 11' -0.18221
'TmWBank' '12 to 44' -0.038279
'TmWBank' '45 to 70' 0.39569
'TmWBank' '71 and up' 0.95074
'OtherCC' 'No' -0.193
'OtherCC' 'Yes' 0.15868
'AMBalance' 'Up to 558.87' 0.3552
'AMBalance' '558.88 to 1597.43' -0.026797
'AMBalance' '1597.44 and up' -0.21168Точки масштабируются и также часто округляются. К раунду и шкале точки, используйте formatpoints функция. Например, можно установить целевой уровень точек, соответствующих целевому уровню разногласий, и также установить необходимые точки удваивать разногласия (PDO).
TargetPoints = 500; TargetOdds = 2; PDO = 50; % Points to double the odds sc = formatpoints(sc,'PointsOddsAndPDO',[TargetPoints TargetOdds PDO]); p2 = displaypoints(sc); disp(p2)
Predictors Bin Points
____________ ___________________ ______
'CustAge' 'Up to 36' 53.239
'CustAge' '37 to 39' 59.796
'CustAge' '40 to 45' 67.587
'CustAge' '46 to 57' 80.796
'CustAge' '58 and up' 99.166
'ResStatus' 'Tenant' 62.028
'ResStatus' 'Home Owner' 73.445
'ResStatus' 'Other' 91.446
'EmpStatus' 'Unknown' 58.777
'EmpStatus' 'Employed' 86.976
'CustIncome' 'Up to 28999' 31.497
'CustIncome' '29000 to 32999' 56.805
'CustIncome' '33000 to 41999' 69.896
'CustIncome' '42000 to 46999' 81.891
'CustIncome' '47000 and up' 95.69
'TmWBank' 'Up to 11' 51.142
'TmWBank' '12 to 44' 61.524
'TmWBank' '45 to 70' 92.829
'TmWBank' '71 and up' 132.87
'OtherCC' 'No' 50.364
'OtherCC' 'Yes' 75.732
'AMBalance' 'Up to 558.87' 89.908
'AMBalance' '558.88 to 1597.43' 62.353
'AMBalance' '1597.44 and up' 49.016Используйте score функция, чтобы вычислить музыку к обучающим данным. Можно также передать дополнительный data введите к score, например, данные о валидации. Точки на предиктор для каждого клиента обеспечиваются как дополнительный выход.
[Scores,Points] = score(sc); disp(Scores(1:10)) disp(Points(1:10,:))
528.2044
554.8861
505.2406
564.0717
554.8861
586.1904
441.8755
515.8125
524.4553
508.3169
CustAge ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance
_______ _________ _________ __________ _______ _______ _________
80.796 62.028 58.777 95.69 92.829 75.732 62.353
99.166 73.445 86.976 95.69 61.524 75.732 62.353
80.796 62.028 86.976 69.896 92.829 50.364 62.353
80.796 73.445 86.976 95.69 61.524 75.732 89.908
99.166 73.445 86.976 95.69 61.524 75.732 62.353
99.166 73.445 86.976 95.69 92.829 75.732 62.353
53.239 73.445 58.777 56.805 61.524 75.732 62.353
80.796 91.446 86.976 95.69 61.524 50.364 49.016
80.796 62.028 58.777 95.69 61.524 75.732 89.908
80.796 73.445 58.777 95.69 61.524 75.732 62.353
Чтобы вычислить вероятность значения по умолчанию, используйте probdefault функция.
pd = probdefault(sc);
Задайте вероятность того, чтобы быть “Хорошим” и постройте предсказанные разногласия по сравнению с отформатированными баллами. Визуально анализируйте это целевые точки и предназначайтесь для соответствия разногласий и что точки, чтобы удвоить разногласия (PDO) отношение содержат.
ProbGood = 1-pd; PredictedOdds = ProbGood./pd; figure scatter(Scores,PredictedOdds) title('Predicted Odds vs. Score') xlabel('Score') ylabel('Predicted Odds') hold on xLimits = xlim; yLimits = ylim; % Target points and odds plot([TargetPoints TargetPoints],[yLimits(1) TargetOdds],'k:') plot([xLimits(1) TargetPoints],[TargetOdds TargetOdds],'k:') % Target points plus PDO plot([TargetPoints+PDO TargetPoints+PDO],[yLimits(1) 2*TargetOdds],'k:') plot([xLimits(1) TargetPoints+PDO],[2*TargetOdds 2*TargetOdds],'k:') % Target points minus PDO plot([TargetPoints-PDO TargetPoints-PDO],[yLimits(1) TargetOdds/2],'k:') plot([xLimits(1) TargetPoints-PDO],[TargetOdds/2 TargetOdds/2],'k:') hold off
creditscorecard поддержка объектов три метода валидации, Совокупный профиль точности (CAP), Рабочая характеристика приемника (ROC) и Кольмогоров-Смирнов (KS) статистическая величина. Для получения дополнительной информации о ДНЕ видят ROC и KS, validatemodel.
[Stats,T] = validatemodel(sc,'Plot',{'CAP','ROC','KS'}); disp(Stats) disp(T(1:15,:))
Measure Value
______________________ _______
'Accuracy Ratio' 0.32225
'Area under ROC curve' 0.66113
'KS statistic' 0.22324
'KS score' 499.18
Scores ProbDefault TrueBads FalseBads TrueGoods FalseGoods Sensitivity FalseAlarm PctObs
______ ___________ ________ _________ _________ __________ ___________ __________ __________
369.4 0.7535 0 1 802 397 0 0.0012453 0.00083333
377.86 0.73107 1 1 802 396 0.0025189 0.0012453 0.0016667
379.78 0.7258 2 1 802 395 0.0050378 0.0012453 0.0025
391.81 0.69139 3 1 802 394 0.0075567 0.0012453 0.0033333
394.77 0.68259 3 2 801 394 0.0075567 0.0024907 0.0041667
395.78 0.67954 4 2 801 393 0.010076 0.0024907 0.005
396.95 0.67598 5 2 801 392 0.012594 0.0024907 0.0058333
398.37 0.67167 6 2 801 391 0.015113 0.0024907 0.0066667
401.26 0.66276 7 2 801 390 0.017632 0.0024907 0.0075
403.23 0.65664 8 2 801 389 0.020151 0.0024907 0.0083333
405.09 0.65081 8 3 800 389 0.020151 0.003736 0.0091667
405.15 0.65062 11 5 798 386 0.027708 0.0062267 0.013333
405.37 0.64991 11 6 797 386 0.027708 0.007472 0.014167
406.18 0.64735 12 6 797 385 0.030227 0.007472 0.015
407.14 0.64433 13 6 797 384 0.032746 0.007472 0.015833
autobinning | bindata | bininfo | compactCreditScorecard | creditscorecard | displaypoints | fitmodel | formatpoints | modifybins | modifypredictor | plotbins | predictorinfo | probdefault | score | screenpredictors | setmodel | validatemodel