modelDiscriminationPlot

График кривой ROC

Синтаксис

modelDisciberPlot (lgdModel, данные)

ModelDisciberPlot (___, Имя, Значение)

h = ModelPlot (ax, ___, имя, значение)

Описание

modelDiscriminationPlot(lgdModel,data) генерирует кривую рабочих характеристик приемника (ROC). modelDiscriminationPlot поддерживает сегментацию и сравнение с ссылочной моделью.

пример

modelDiscriminationPlot(___,Name,Value) указывает параметры, использующие один или несколько аргументов пары имя-значение в дополнение к входным аргументам в предыдущем синтаксисе.

пример

h = modelDiscriminationPlot(ax,___,Name,Value) задает параметры, использующие один или несколько аргументов пары имя-значение в дополнение к входным аргументам в предыдущем синтаксисе, и возвращает дескриптор фигуры h.

Примеры

свернуть все

Печать ROC с использованием регрессионной модели LGD

Открыть сценарий в реальном времени

В этом примере показано, как использовать fitLGDModel для совмещения данных с Regression модель, а затем использовать modelDiscriminationPlot для построения графика ROC.

Загрузить данные

Загрузите данные о потерях по умолчанию.

load LGDData.mat
head(data)

ans=8×4 table
      LTV        Age         Type           LGD   
    _______    _______    ___________    _________

    0.89101    0.39716    residential     0.032659
    0.70176     2.0939    residential      0.43564
    0.72078     2.7948    residential    0.0064766
    0.37013      1.237    residential     0.007947
    0.36492     2.5818    residential            0
      0.796     1.5957    residential      0.14572
    0.60203     1.1599    residential     0.025688
    0.92005    0.50253    investment      0.063182

Данные раздела

Разделите данные на разделы обучения и тестирования.

rng('default'); % for reproducibility
NumObs = height(data);

c = cvpartition(NumObs,'HoldOut',0.4);
TrainingInd = training(c);
TestInd = test(c);

Создать Regression Модель LGD

Использовать fitLGDModel для создания Regression модель с использованием обучающих данных.

lgdModel = fitLGDModel(data(TrainingInd,:),'regression');
disp(lgdModel)

  Regression with properties:

    ResponseTransform: "logit"
    BoundaryTolerance: 1.0000e-05
              ModelID: "Regression"
          Description: ""
      UnderlyingModel: [1x1 classreg.regr.CompactLinearModel]
        PredictorVars: ["LTV"    "Age"    "Type"]
          ResponseVar: "LGD"

Отображение базовой модели.

disp(lgdModel.UnderlyingModel)

Compact linear regression model:
    LGD_logit ~ 1 + LTV + Age + Type

Estimated Coefficients:
                       Estimate       SE        tStat       pValue  
                       ________    ________    _______    __________

    (Intercept)        -4.7549      0.36041    -13.193    3.0997e-38
    LTV                 2.8565      0.41777     6.8377    1.0531e-11
    Age                -1.5397     0.085716    -17.963    3.3172e-67
    Type_investment     1.4358       0.2475     5.8012     7.587e-09


Number of observations: 2093, Error degrees of freedom: 2089
Root Mean Squared Error: 4.24
R-squared: 0.206,  Adjusted R-Squared: 0.205
F-statistic vs. constant model: 181, p-value = 2.42e-104

График данных ROC

Использовать modelDiscriminationPlot для построения графика ROC для набора тестовых данных.

modelDiscriminationPlot(lgdModel,data(TestInd,:))

Figure contains an axes. The axes with title ROC Regression, AUROC = 0.67897 contains an object of type line. This object represents Regression.

Построить ROC с использованием модели Tobit LGD

Открыть сценарий в реальном времени

В этом примере показано, как использовать fitLGDModel для совмещения данных с Tobit модель, а затем использовать modelDiscriminationPlot для построения графика ROC.

Загрузить данные

Загрузите данные о потерях по умолчанию.

load LGDData.mat
head(data)

ans=8×4 table
      LTV        Age         Type           LGD   
    _______    _______    ___________    _________

    0.89101    0.39716    residential     0.032659
    0.70176     2.0939    residential      0.43564
    0.72078     2.7948    residential    0.0064766
    0.37013      1.237    residential     0.007947
    0.36492     2.5818    residential            0
      0.796     1.5957    residential      0.14572
    0.60203     1.1599    residential     0.025688
    0.92005    0.50253    investment      0.063182

Данные раздела

Разделите данные на разделы обучения и тестирования.

rng('default'); % for reproducibility
NumObs = height(data);

c = cvpartition(NumObs,'HoldOut',0.4);
TrainingInd = training(c);
TestInd = test(c);

Создание модели LGD Тобита

Использовать fitLGDModel для создания Tobit модель с использованием обучающих данных.

lgdModel = fitLGDModel(data(TrainingInd,:),'tobit');
disp(lgdModel)

  Tobit with properties:

      CensoringSide: "both"
          LeftLimit: 0
         RightLimit: 1
            ModelID: "Tobit"
        Description: ""
    UnderlyingModel: [1x1 risk.internal.credit.TobitModel]
      PredictorVars: ["LTV"    "Age"    "Type"]
        ResponseVar: "LGD"

Отображение базовой модели.

disp(lgdModel.UnderlyingModel)

Tobit regression model:
     LGD = max(0,min(Y*,1))
     Y* ~ 1 + LTV + Age + Type

Estimated coefficients:
                       Estimate        SE         tStat       pValue  
                       _________    _________    _______    __________

    (Intercept)         0.058257     0.027276     2.1358      0.032809
    LTV                  0.20126     0.031373      6.415    1.7363e-10
    Age                -0.095407    0.0072543    -13.152             0
    Type_investment      0.10208     0.018054     5.6542    1.7802e-08
    (Sigma)              0.29288     0.005704     51.346             0

Number of observations: 2093
Number of left-censored observations: 547
Number of uncensored observations: 1521
Number of right-censored observations: 25
Log-likelihood: -698.383

График данных ROC

Использовать modelDiscriminationPlot для построения графика ROC для набора тестовых данных.

modelDiscriminationPlot(lgdModel,data(TestInd,:),"SegmentBy","Type","DiscretizeBy","median")

Figure contains an axes. The axes with title ROC Segmented by Type contains 2 objects of type line. These objects represent Tobit, residential, AUROC = 0.70101, Tobit, investment, AUROC = 0.73252.

Входные аргументы

свернуть все

`lgdModel` - Потеря данной модели по умолчанию
`Regression` объект | `Tobit` объект

Потеря заданной модели по умолчанию, указанной как ранее созданная Regression или Tobit объект с использованием fitLGDModel.

Типы данных: object

`data` - Данные
стол

Данные, указанные как NumRowsоколо-NumCols таблица с предиктором и значениями ответа. Имена переменных и типы данных должны соответствовать базовой модели.

Типы данных: table

`ax` - Допустимый объект оси
объект

(Необязательно) Допустимый объект оси, указанный как ax объект, созданный с помощью axes. График будет создан в осях, указанных опционально ax вместо в текущих осях (gca). Необязательный аргумент ax должна предшествовать любой из комбинаций входных аргументов.

Типы данных: object

Аргументы пары «имя-значение»

Укажите дополнительные пары, разделенные запятыми Name,Value аргументы. Name является именем аргумента и Value - соответствующее значение. Name должен отображаться внутри кавычек. Можно указать несколько аргументов пары имен и значений в любом порядке как Name1,Value1,...,NameN,ValueN.

Пример: modelDiscriminationPlot(lgdModel,data(TestInd,:),'DataID','Testing','DiscretizeBy','median')

`'DataID'` - Идентификатор набора данных
`""` (по умолчанию) | символьный вектор | строка

Идентификатор набора данных, указанный как разделенная запятыми пара, состоящая из 'DataID' и символьный вектор или строку. DataID включается в выходные данные для целей отчетности.

Типы данных: char | string

`'DiscretizeBy'` - Метод дискретизации для LGD `data`
`'mean'` (по умолчанию) | символьный вектор со значением `'mean'`, `'median'`, `'positive'`, или `'total'` | строка со значением `"mean"`, `"median"`, `"positive"`, или `"total"`

Метод дискретизации для LGD data, указанная как пара, разделенная запятыми, состоящая из 'DiscretizeBy' и символьный вектор или строку.

'mean' - Дискретизированный ответ 1 если наблюдаемый LGD больше или равен среднему LGD, 0 в противном случае.
'median' - Дискретизированный ответ 1 если наблюдаемый LGD больше или равен среднему LGD, 0 в противном случае.
'positive' - Дискретизированный ответ 1 если наблюдаемая LGD положительная, 0 в противном случае (полное восстановление).
'total' - Дискретизированный ответ 1 если наблюдаемая LGD больше или равна 1 (общий убыток), 0 в противном случае.

Типы данных: char | string

`'SegmentBy'` - Наименование столбца в `data` входные данные, используемые для набора данных сегментов
`""` (по умолчанию) | символьный вектор | строка

Имя столбца в data вход, не обязательно переменная модели, которая должна использоваться для сегментации набора данных, указанного как пара, разделенная запятыми, состоящая из 'SegmentBy' и символьный вектор или строку. Один AUROC сообщается для каждого сегмента, и соответствующие данные ROC для каждого сегмента возвращаются в необязательном выводе.

Типы данных: char | string

`'ReferenceLGD'` - прогнозируемые значения LGD для `data` по ссылочной модели
`[ ]` (по умолчанию) | числовой вектор

Прогнозируемые значения LGD для data ссылочной моделью, указанной как разделенная запятыми пара, состоящая из 'ReferenceID' и NumRowsоколо-1 числовой вектор. Кривая ROC выводится на график для обоих lgdModel объект и ссылочная модель.

Типы данных: double

`'ReferenceID'` - Идентификатор ссылочной модели
`'Reference'` (по умолчанию) | символьный вектор | строка

Идентификатор ссылочной модели, указанный как разделенная запятыми пара, состоящая из 'ReferenceID' и символьный вектор или строку. 'ReferenceID' используется на графике в целях отчетности.

Типы данных: char | string

Выходные аргументы

свернуть все

`h` - Ручка рисунка
объект-дескриптор

Маркер перемещения для линейных объектов, возвращенный как маркер перемещения.

Подробнее

свернуть все

Типовая схема дискриминации

modelDiscriminationPlot функция отображает кривую характеристики оператора приемника (ROC).

modelDiscriminationPlot функция также показывает область под кривой характеристики оператора приемника (AUROC), иногда называемую просто областью под кривой (AUC). Эта метрика в диапазоне от 0 до 1 и выше указывает на лучшее различение.

Для построения графика ROC и вычисления AUROC необходимы числовое предсказание и двоичный ответ. Для моделей LGD предсказанный LGD используется непосредственно в качестве прогноза. Однако наблюдаемый LGD должен быть дискретизирован в двоичную переменную. По умолчанию наблюдаемым значениям LGD, большим или равным среднему значению LGD, присваивается значение 1, а значениям ниже среднего - значение 0. Этот дискретизированный ответ интерпретируется как «высокий LGD» по сравнению с «низким LGD». Кривая ROC и кривая AUROC измеряют, насколько хорошо предсказанный LGD разделяет «высокий LGD» и «низкий LGD» наблюдения. Критерий дискретизации может быть изменен с помощью DiscretizeBy аргумент пары имя-значение для modelDiscriminationPlot.

Кривая ROC - это параметрическая кривая, отображающая пропорцию

Случаи высокого LGD с прогнозируемым LGD, большим или равным параметру t, или истинной положительной скоростью (TPR)
Случаи низкого LGD с прогнозируемым LGD больше или равно одному и тому же параметру t, или ложноположительная скорость (FPR)

Параметр t протягивает все наблюдаемые прогнозируемые значения LGD для данных. Если значение AUROC или данные кривой ROC необходимы программно, используйте modelDiscrimination функция. Дополнительные сведения о кривых ROC см. в разделе Кривые производительности.

Ссылки

[1] Бэзенс, Барт, Даниэль Рош и Харальд Шиле. Анализ кредитных рисков: методы измерения, приложения и примеры в SAS. Уайли, 2016.

[2] Беллини, Тициано. МСФО (IFRS) 9 и CECL «Моделирование и валидация кредитных рисков: практическое руководство с примерами, работающими в R и SAS». Сан-Диего, Калифорния: Elsevier, 2019.

См. также

Темы

Представлен в R2021a

Документация

modelDiscriminationPlot

Синтаксис

Описание

Примеры

Печать ROC с использованием регрессионной модели LGD

Построить ROC с использованием модели Tobit LGD

Входные аргументы

`lgdModel` - Потеря данной модели по умолчанию
`Regression` объект | `Tobit` объект

`data` - Данные
стол

`ax` - Допустимый объект оси
объект

Аргументы пары «имя-значение»

`'DataID'` - Идентификатор набора данных
`""` (по умолчанию) | символьный вектор | строка

`'SegmentBy'` - Наименование столбца в `data` входные данные, используемые для набора данных сегментов
`""` (по умолчанию) | символьный вектор | строка

`'ReferenceLGD'` - прогнозируемые значения LGD для `data` по ссылочной модели
`[ ]` (по умолчанию) | числовой вектор

`'ReferenceID'` - Идентификатор ссылочной модели
`'Reference'` (по умолчанию) | символьный вектор | строка

Выходные аргументы

`h` - Ручка рисунка
объект-дескриптор

Подробнее

Типовая схема дискриминации

Ссылки

См. также

Темы

Документация по инструментам управления рисками

Поддержка

Документация

modelDiscriminationPlot

Синтаксис

Описание

Примеры

Печать ROC с использованием регрессионной модели LGD

Построить ROC с использованием модели Tobit LGD

Входные аргументы

lgdModel - Потеря данной модели по умолчанию Regression объект | Tobit объект

data - Данные стол

ax - Допустимый объект оси объект

Аргументы пары «имя-значение»

'DataID' - Идентификатор набора данных "" (по умолчанию) | символьный вектор | строка

'DiscretizeBy' - Метод дискретизации для LGD data 'mean' (по умолчанию) | символьный вектор со значением 'mean', 'median', 'positive', или 'total' | строка со значением "mean", "median", "positive", или "total"

'SegmentBy' - Наименование столбца в data входные данные, используемые для набора данных сегментов "" (по умолчанию) | символьный вектор | строка

'ReferenceLGD' - прогнозируемые значения LGD для data по ссылочной модели [ ] (по умолчанию) | числовой вектор

'ReferenceID' - Идентификатор ссылочной модели 'Reference' (по умолчанию) | символьный вектор | строка

Выходные аргументы

h - Ручка рисунка объект-дескриптор

Подробнее

Типовая схема дискриминации

Ссылки

См. также

Темы

Документация по инструментам управления рисками

Поддержка

`lgdModel` - Потеря данной модели по умолчанию
`Regression` объект | `Tobit` объект

`data` - Данные
стол

`ax` - Допустимый объект оси
объект

`'DataID'` - Идентификатор набора данных
`""` (по умолчанию) | символьный вектор | строка

`'SegmentBy'` - Наименование столбца в `data` входные данные, используемые для набора данных сегментов
`""` (по умолчанию) | символьный вектор | строка

`'ReferenceLGD'` - прогнозируемые значения LGD для `data` по ссылочной модели
`[ ]` (по умолчанию) | числовой вектор

`'ReferenceID'` - Идентификатор ссылочной модели
`'Reference'` (по умолчанию) | символьный вектор | строка

`h` - Ручка рисунка
объект-дескриптор