Создать creditscorecard объект для создания модели кредитной карты показателей
Создание модели кредитной карты показателей путем создания creditscorecard и укажите входные данные в формате таблицы.
После создания creditscorecard с помощью связанных функций объекта можно складировать данные и выполнять логистический регрессионный анализ для разработки модели кредитной карты показателей для принятия решений о кредитовании. В этом потоке операций показано, как разработать модель кредитной карты показателей.
Использовать screenpredictors(Панель инструментов управления рисками) из Toolbox™ управления рисками, чтобы разбить потенциально большой набор предикторов на подмножество, которое наиболее предсказывает переменную ответа кредитной карты. Используйте это подмножество предикторов при создании creditscorecard объект.
Создать creditscorecard (см. Создание карты кредитования и свойств).
Складировать данные с помощью autobinning.
Подгонка модели логистической регрессии с использованием fitmodel или fitConstrainedModel.
Просмотрите и отформатируйте баллы кредитной карты показателей с помощью displaypoints и formatpoints. На этом этапе рабочего процесса при наличии лицензии на панель инструментов управления рисками можно создать compactCreditScorecard объект (csc) с использованием compact функция. Затем можно использовать следующие функции: displaypoints(инструментарий управления рисками), score(инструментарий управления рисками), и probdefault(Панель инструментов управления рисками) из панели инструментов управления рисками с помощью csc объект.
Оцените данные с помощью score.
Вычисление вероятностей по умолчанию для данных с помощью probdefault.
Проверка качества модели кредитной карты показателей с помощью validatemodel.
Для получения дополнительной информации об этом потоке операций см. Поток операций моделирования карты показателей кредитования.
sc = creditscorecard(data)creditscorecard путем указания объекта data. Модель кредитной карты показателей, возвращенная как creditscorecard содержит карты или правила связывания (точки отсечения или группировки категорий) 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 указать несколько пар имя-значение.
Примечание
Использование весов наблюдения (пробы) в потоке операций кредитной карты показателей при создании creditscorecard объект, необходимо использовать опциональную пару имя-значение WeightsVar для определения столбца в data содержит веса.
autobinning | Выполнить автоматическое сведение данных предикторов |
bininfo | Возвращать сведения о ячейке предиктора |
predictorinfo | Сводка свойств предиктора кредитной карты показателей |
modifypredictor | Установка свойств предикторов кредитных карт показателей |
fillmissing | Замена отсутствующих значений для предикторов кредитных карт показателей |
modifybins | Изменение ячеек предиктора |
bindata | Привязанные переменные предиктора |
plotbins | Количество гистограмм графика для переменных предиктора |
fitmodel | Соответствие модели логистической регрессии данным веса доказательств (WOE) |
fitConstrainedModel | Соответствие модели логистической регрессии данным веса доказательств (WOE) при условии ограничения коэффициентов модели |
setmodel | Установка предикторов и коэффициентов модели |
displaypoints | Точки возврата на предиктор на ячейку |
formatpoints | Форматирование точек карты показателей и масштабирование |
score | Вычисление кредитных баллов для данных |
probdefault | Вероятность дефолта для данного набора данных |
validatemodel | Проверка качества модели кредитной карты показателей |
compact | Создание компактной кредитной карты показателей |
creditscorecard ОбъектСоздать creditscorecard с использованием CreditCardData.mat для загрузки файла data (с использованием набора данных из 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 для загрузки данных (dataWeights), который содержит столбец (RowWeights) для весов (с использованием набора данных из Refaat 2011).
load CreditCardDataСоздать creditscorecard объект, использующий необязательный аргумент 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 объектаСоздать creditscorecard с использованием CreditCardData.mat для загрузки файла data (с использованием набора данных из 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]
Для отображения creditscorecard свойства объекта, используйте точечную нотацию.
sc.PredictorVars
ans = 1x10 cell
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
Columns 1 through 4
{'CustID'} {'CustAge'} {'TmAtAddress'} {'ResStatus'}
Columns 5 through 8
{'EmpStatus'} {'CustIncome'} {'TmWBank'} {'OtherCC'}
Columns 9 through 11
{'AMBalance'} {'UtilRate'} {'status'}
creditscorecard ОбъектСоздать creditscorecard с использованием CreditCardData.mat для загрузки файла data (с использованием набора данных из 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]
С момента IDVar свойство имеет открытый доступ, его значение можно изменить 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 ОбъектСоздать creditscorecard с использованием CreditCardData.mat для загрузки файла data (с использованием набора данных из 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 значения по умолчанию для свойств ResponseVar, PredictorVars и GoodLabel назначаются при создании этого объекта. По умолчанию свойство ResponseVar устанавливается на имя переменной, которое находится в последнем столбце входных данных ('status' в этом примере). Собственность PredictorVars содержит имена всех переменных, которые находятся в VarNames, но исключает IDVar и ResponseVar. Кроме того, по умолчанию в предыдущем примере GoodLabel имеет значение 0, так как это значение в переменной ответа (ResponseVar) с наивысшим числом.
Отображение creditscorecard свойства объекта с использованием точечной нотации.
sc.PredictorVars
ans = 1x10 cell
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
Columns 1 through 4
{'CustID'} {'CustAge'} {'TmAtAddress'} {'ResStatus'}
Columns 5 through 8
{'EmpStatus'} {'CustIncome'} {'TmWBank'} {'OtherCC'}
Columns 9 through 11
{'AMBalance'} {'UtilRate'} {'status'}
С тех пор IDVar и PredictorVars иметь открытый доступ, изменить их значения можно 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 ResponseVarСоздать creditscorecard с использованием CreditCardData.mat для загрузки файла data (с использованием набора данных из Refaat 2011). Затем используйте аргументы пары имя-значение для creditscorecard определить 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 быть установлен (принудительно) только при создании creditscorecard объект с использованием creditscorecard.
creditscorecard Объект и установка 'BinMissingData' СобственностьСоздать creditscorecard с использованием CreditCardData.mat для загрузки файла 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
Использовать creditscorecard с аргументом имя-значение 'BinMissingData' установить в значение true в складское место отсутствующих данных в отдельном складском месте.
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]
Просмотр информации о ячейках для числовых данных для 'CustAge' который включает отсутствующие данные в отдельной ячейке с маркировкой <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')
Просмотр информации о ячейках для категориальных данных для 'ResStatus' который включает отсутствующие данные в отдельной ячейке с маркировкой <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. The Credit Скоринг Toolkit. Издательство Оксфордского университета, 2007 год.
[2] Рефаат, М. Подготовка данных для интеллектуального анализа данных с использованием SAS. Морган Кауфманн, 2006.
[3] Рефаат, М. Карты оценки кредитных рисков: разработка и внедрение с использованием SAS. lulu.com, 2011.
autobinning | bindata | bininfo | displaypoints | fillmissing | fitConstrainedModel | fitmodel | formatpoints | modifybins | modifypredictor | plotbins | predictorinfo | probdefault | score | setmodel | table | validatemodel | screenpredictors | (инструментарий управления рисками)