score

Вычислите кредитные счета для данного набора данных для compactCreditScorecard объект

Описание

пример

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

Примеры

свернуть все

Как создать compactCreditScorecard объект, сначала создайте creditscorecard объект с использованием CreditCardData.mat файл для загрузки data (использование 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 объект, вы должны 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 используйте score с compactCreditScorecard объект. Для целей рисунка предположим, что несколько строк из исходных данных являются нашими «новыми» данными. Используйте data входной параметр в score функция для получения счетов 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 параметры

свернуть все

Компактная модель карты показателей кредита, заданная как compactCreditScorecard объект.

Как создать compactCreditScorecard объект, использование compactCreditScorecard или compact от Financial Toolbox™.

Набор данных, который будет оценен, задается как MATLAB® таблица, где каждая строка соответствует отдельным наблюдениям. The data должен содержать столбцы для каждого из предикторов в compactCreditScorecard объект.

Выходные аргументы

свернуть все

Счета для каждого наблюдения, возвращенные как вектор.

Точки на предиктор для каждого наблюдения, возвращенные как таблица.

Алгоритмы

Счет индивидуума i задается формулой

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

где bj - коэффициент j-й переменной в модели, а WOE j (i) - значение веса доказательства (WOE) для i-й индивидуумы, соответствующей переменной j-й модели. Shift и Slope являются масштабирующими константами, которыми можно управлять с formatpoints.

Если данные для отдельных i находятся в i -й строке заданного набора данных, для вычисления балла данные (i, j) привязываются с помощью существующих карт бининга и преобразуются в соответствующее значение веса доказательств WOEj (<reservedrangesplaceholder0>). Используя коэффициенты модели, немасштабированный счет вычисляется как

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

Для простоты предположим в описании выше, что j-я переменная в модели является j-м столбцом во входных данных, хотя, в целом, порядок переменных в данном наборе данных не должен совпадать с порядком переменных в модели, и набор данных может иметь дополнительные переменные, которые не используются в модели.

Опциями форматирования можно управлять, используя formatpoints.

Ссылки

[1] Anderson, R. The Credit Scoring Toolkit. Oxford University Press, 2007.

[2] Refaat, M. Кредитные карты оценки риска: Разработка и реализация с использованием SAS. lulu.com, 2011.

Введенный в R2019a