Exponenta Banner
exponenta event banner

счет

Вычислить кредитные баллы для данного набора данных для compactCreditScorecard объект

свернуть все на странице

Синтаксис

[Баллы, баллы] = оценка (csc, данные)

Описание

пример

[Scores,Points] = score(csc,data) вычисляет кредитные баллы и баллы за compactCreditScorecard объект ( csc) на основе data. Отсутствующие данные преобразуются в NaN значения для соответствующих точек.

Примеры

свернуть все

Открыть сценарий в реальном времени

Создание compactCreditScorecard объект, сначала создайте creditscorecard с использованием CreditCardData.mat для загрузки файла data (с использованием набора данных из Refaat 2011). 

load CreditCardData.mat 
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]

Перед созданием compactCreditScorecard object, необходимо использовать autobinning и fitmodel с creditscorecard объект. 

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:
    status ~ [Linear formula with 8 terms in 7 predictors]
    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

Используйте creditscorecard объект с compactCreditScorecard для создания compactCreditScorecard объект.

csc = compactCreditScorecard(sc)
csc = 
  compactCreditScorecard with properties:

              Description: ''
                GoodLabel: 0
              ResponseVar: 'status'
               WeightsVar: ''
        NumericPredictors: {'CustAge'  'CustIncome'  'TmWBank'  'AMBalance'}
    CategoricalPredictors: {'ResStatus'  'EmpStatus'  'OtherCC'}
            PredictorVars: {1x7 cell}

Затем использовать score с compactCreditScorecard объект. Для иллюстрации предположим, что несколько строк из исходных данных являются нашими «новыми» данными. Используйте data входной аргумент в score функция для получения баллов для newdata.

newdata = data(10:20,:);
[Scores,Points] = score(csc,newdata)
Scores = 11×1

    0.8252
    0.6553
    1.2443
    0.9478
    0.5690
    1.6192
    0.4899
    0.3824
    0.2945
    1.4401
      ⋮


Points=11×7 table
     CustAge     ResStatus    EmpStatus    CustIncome     TmWBank     OtherCC     AMBalance
    _________    _________    _________    __________    _________    ________    _________

      0.23039      0.12696    -0.076317      0.43693     -0.033752     0.15842    -0.017472
      0.23039    -0.031252    -0.076317     0.052329     -0.033752     0.15842      0.35551
      0.23039      0.37641    -0.076317      0.24473     -0.044811     0.15842      0.35551
        0.479      0.12696    -0.076317      0.43693      -0.18257    -0.19168      0.35551
     0.046408      0.37641    -0.076317     0.092433     -0.033752    -0.19168      0.35551
      0.21445      0.37641      0.31449      0.24473     -0.044811     0.15842      0.35551
     -0.14036      0.12696      0.31449     0.081611     -0.033752     0.15842    -0.017472
    -0.060323    -0.031252      0.31449     0.052329     -0.033752     0.15842    -0.017472
     -0.15894      0.12696      0.31449     -0.45716     -0.044811     0.15842      0.35551
      0.23039      0.12696      0.31449      0.43693      -0.18257     0.15842      0.35551
      0.23039      0.37641    -0.076317      0.24473     -0.044811     0.15842    -0.064636

Входные аргументы

свернуть все

Компактная модель кредитной карты показателей, указанная как compactCreditScorecard объект.

Создание compactCreditScorecard объект, использование compactCreditScorecard или compact из Финансового Toolbox™.

Набор данных для оценки, указанный как таблица MATLAB ®, где каждая строка соответствует отдельным наблюдениям. data должен содержать столбцы для каждого из предикторов в compactCreditScorecard объект.

Выходные аргументы

свернуть все

Оценки для каждого наблюдения, возвращенные как вектор.

Точки на предиктор для каждого наблюдения, возвращаемые в виде таблицы.

Алгоритмы

Оценка индивидуума i дается по формуле

Score(i) = Shift + Slope*(b0 + b1*WOE1(i) + b2*WOE2(i)+ ... +bp*WOEp(i))

где bj - коэффициент j-й переменной в модели, а WOEj (i) - значение веса доказательства (WOE) для i-го индивидуума, соответствующего j-й переменной модели .Shift и Slope - это константы масштабирования, которыми можно управлять с помощью formatpoints.

Если данные для отдельного i находятся в i-й строке данного набора данных, для вычисления оценки данные (i, j) связываются с использованием существующих карт связывания и преобразуются в соответствующее значение веса доказательства.WOEj (i). Используя коэффициенты модели, немасштабированный балл вычисляется как

 s = b0 + b1*WOE1(i) + ... +bp*WOEp(i).

Для простоты предположим в приведенном выше описании, что j-я переменная в модели является j-м столбцом на входе данных, хотя, в общем, порядок переменных в данном наборе данных не должен соответствовать порядку переменных в модели, и набор данных может иметь дополнительные переменные, которые не используются в модели.

Опциями форматирования можно управлять с помощью formatpoints.

Ссылки

[1] Андерсон, R. The Credit Скоринг Toolkit. Издательство Оксфордского университета, 2007 год.

[2] Рефаат, М. Карты оценки кредитных рисков: разработка и внедрение с использованием SAS. lulu.com, 2011.

См. также

| | |

Темы

Представлен в R2019a

Документация по инструментам управления рисками

Поддержка