Создание creditscorecard объект для создания модели карты показателей кредита
Создайте модель карты показателей кредита путем создания creditscorecard и задайте входные данные в формате таблицы.
После создания creditscorecard объект, можно использовать связанные функции объекта, чтобы интервал данные и выполнить логистический регрессионный анализ, чтобы разработать модель карты показателей кредита, которая поможет принять решения по кредиту. Этот рабочий процесс показывает, как разработать модель карты показателей кредита.
Использовать screenpredictors (Risk Management Toolbox) из Risk Management Toolbox™ для анализа потенциально большого набора предикторов в подмножество, которое наиболее предсказывает переменную ответа на кредитную карту. Используйте это подмножество предикторов при создании creditscorecard объект.
Создайте creditscorecard объект (см. «Создание карты creditscorecard и свойств»).
Отобразите данные с помощью autobinning.
Подбор логистической регрессионой модели с помощью fitmodel или fitConstrainedModel.
Просмотрите и отформатируйте точки карты результатов кредита с помощью displaypoints и formatpoints. На данной точке рабочего процесса, если у вас есть лицензия для Risk Management Toolbox, у вас есть опция создать compactCreditScorecard объект (csc) с использованием compact функция. Затем можно использовать следующие функции displaypoints(Набор Risk Management Toolbox), score(Набор Risk Management Toolbox), и probdefault(Набор Risk Management Toolbox) из Risk Management Toolbox с csc объект.
Оцените данные, используя score.
Вычислим вероятности по умолчанию для данных используя probdefault.
Проверьте качество модели карты показателей кредита с помощью validatemodel.
Для получения дополнительной информации об этом рабочем процессе смотрите Рабочий процесс моделирования карты показателей кредита.
sc = creditscorecard(data)creditscorecard объект путем определения data. Модель карты показателей кредита, возвращенная как creditscorecard object, содержит раскладывание или правила (вырезанные точки или группы 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 задать несколько пары "имя-значение".
Примечание
Использование весов наблюдений (выборки) в рабочем процессе карты показателей кредита при создании creditscorecard необходимо использовать опциональную пару "имя-значение" WeightsVar для определения столбца в data содержит веса.
autobinning | Выполните автоматическое раскладывание для заданных предикторов |
bininfo | Верните информацию о интервале предиктора |
predictorinfo | Сводные данные свойств предиктора карты показателей кредита |
modifypredictor | Установите свойства предикторов карты показателей кредита |
fillmissing | Замените отсутствующие значения для предикторов карты показателей кредита |
modifybins | Измените интервалы предиктора |
bindata | Привязанные переменные предиктора |
plotbins | Постройте счетчики гистограммы для переменных |
fitmodel | Подбор логистической регрессионной модели к данным о весе доказательств (WOE) |
fitConstrainedModel | Подгонка логистической регрессионной модели к данным о весе доказательств (WOE) с учетом ограничений на коэффициенты модели |
setmodel | Установите предикторы модели и коэффициенты |
displaypoints | Возвращаемые точки на предиктор на интервал |
formatpoints | Формат точек карты показателей и масштабирование |
score | Вычислите кредитные счета для заданных данных |
probdefault | Вероятность дефолта для данного набора данных |
validatemodel | Проверьте модель карты показателей качества кредита |
compact | Создайте компактную кредитную карту результатов |
creditscorecard ОбъектСоздайте creditscorecard объект с использованием CreditCardData.mat файл для загрузки data (использование 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 (использование набора данных из Refaat 2011).
load CreditCardDataСоздайте creditscorecard объект, используя 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 объектаСоздайте creditscorecard объект с использованием CreditCardData.mat файл для загрузки data (использование 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]
Отображение creditscorecard свойства объекта, используйте запись через точку.
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 ОбъектСоздайте creditscorecard объект с использованием CreditCardData.mat файл для загрузки data (использование 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]
Начиная с IDVar свойство имеет открытый доступ, вы можете изменить его значение 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 ОбъектСоздайте creditscorecard объект с использованием CreditCardData.mat файл для загрузки data (использование 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). Свойство PredictorVars содержит имена всех переменных, которые находятся в VarNames, но исключает IDVar и ResponseVar. Кроме того, по умолчанию в предыдущем примере GoodLabel установлено в 0, поскольку это значение в переменной отклика (ResponseVar) с наивысшим счётом.
Отобразите creditscorecard свойства объекта с использованием записи через точку.
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'}
Начиная с IDVar и PredictorVars иметь общий доступ, можно изменить их значения 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 задание GoodLabel и ResponseVarСоздайте creditscorecard объект с использованием CreditCardData.mat файл для загрузки data (использование набора данных из Refaat 2011). Затем используйте аргументы пары "имя-значение" для creditscorecard для определения 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 можно задать (принудительно) только при создании creditscorecard объект, использующий creditscorecard.
creditscorecard Объект и установите 'BinMissingData' СвойствоСоздайте creditscorecard объект с использованием CreditCardData.mat файл для загрузки 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
Использование creditscorecard с аргументом имя-значение 'BinMissingData' установлено на true чтобы сохранить отсутствующие данные в отдельном интервале.
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]
Отображение информации о интервале для числовых данных для 'CustAge' который включает отсутствующие данные в отдельном интервале, маркированном <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')
Отображение информации о интервале для категориальных данных для 'ResStatus' который включает отсутствующие данные в отдельном интервале, маркированном <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] Anderson, R. The Credit Scoring Toolkit. Oxford University Press, 2007.
[2] Refaat, M. Data Preparation for Data Mining Using SAS. Морган Кауфманн, 2006.
[3] Refaat, M. Кредитные карты оценки риска: Разработка и реализация с использованием SAS. lulu.com, 2011.
autobinning | bindata | bininfo | displaypoints | fillmissing | fitConstrainedModel | fitmodel | formatpoints | modifybins | modifypredictor | plotbins | predictorinfo | probdefault | score | setmodel | table | validatemodel | screenpredictors (Risk Management Toolbox)