В этом примере показано, как сравнить две модели PD в течение жизни с помощью перекрестной валидации.
Загрузите данные портфеля, который включает загрузку и макроинформацию. Это моделируемый набор данных, используемый в иллюстрационных целях.
load RetailCreditPanelData.mat
data = join(data,dataMacro);
disp(head(data)) ID ScoreGroup YOB Default Year GDP Market
__ __________ ___ _______ ____ _____ ______
1 Low Risk 1 0 1997 2.72 7.61
1 Low Risk 2 0 1998 3.57 26.24
1 Low Risk 3 0 1999 2.86 18.1
1 Low Risk 4 0 2000 2.43 3.19
1 Low Risk 5 0 2001 1.26 -10.51
1 Low Risk 6 0 2002 -0.59 -22.95
1 Low Risk 7 0 2003 0.63 2.78
1 Low Risk 8 0 2004 1.85 9.48
Поскольку данные являются данными панели, для каждого клиента существует несколько строк. Вы настраиваете разделы перекрестной валидации по идентификаторам клиентов, а не по строкам набора данных. Таким образом, клиент может находиться в наборе обучающих данных или тестовом наборе, но строки, соответствующие одному и тому же клиенту, не разделяются между обучением и проверкой.
nIDs = max(data.ID); uniqueIDs = unique(data.ID); NumFolds = 5; rng('default'); % for reproducibility c = cvpartition(nIDs,'KFold',NumFolds);
Сравнение Logistic и Probit модели PD в течение жизни с использованием тех же переменных.
CVModels = ["logistic";"probit"]; NumModels = length(CVModels); AUROC = zeros(NumFolds,NumModels); RMSE = zeros(NumFolds,NumModels); for ii=1:NumFolds fprintf('Fitting models, fold %d\n',ii); % Get indices for ID partition TrainIDInd = training(c,ii); TestIDInd = test(c,ii); % Convert to row indices TrainDataInd = ismember(data.ID,uniqueIDs(TrainIDInd)); TestDataInd = ismember(data.ID,uniqueIDs(TestIDInd)); % For each model, fit with training data, measure with test data for jj=1:NumModels % Fit model with training data pdModel = fitLifetimePDModel(data(TrainDataInd,:),CVModels(jj),... 'IDVar','ID','AgeVar','YOB','LoanVars','ScoreGroup',... 'MacroVars',{'GDP','Market'},'ResponseVar','Default'); % Measure discrimination on test data DiscMeasure = modelDiscrimination(pdModel,data(TestDataInd,:)); AUROC(ii,jj) = DiscMeasure.AUROC; % Measure accuracy on test data, grouping by YOB (age) and score group AccMeasure = modelAccuracy(pdModel,data(TestDataInd,:),["YOB" "ScoreGroup"]); RMSE(ii,jj) = AccMeasure.RMSE; end end
Fitting models, fold 1 Fitting models, fold 2 Fitting models, fold 3 Fitting models, fold 4 Fitting models, fold 5
Используя измерения дискриминации и точности для различных складок, можно сравнить модели. В этом примере отображаются метрики. Можно также сравнить среднее значение AUROC или среднее значение RMSE, сравнивая долю раз, когда модель превосходит в отношении дискриминации или точности. Две модели в этом примере очень сопоставимы.
AUROCTable = array2table(AUROC,"RowNames",strcat("Fold ",string(1:NumFolds)),"VariableNames",strcat("AUROC_",CVModels))
AUROCTable=5×2 table
AUROC_logistic AUROC_probit
______________ ____________
Fold 1 0.69558 0.6957
Fold 2 0.70265 0.70335
Fold 3 0.69055 0.69037
Fold 4 0.70268 0.70232
Fold 5 0.68784 0.68781
RMSETable = array2table(RMSE,"RowNames",strcat("Fold ",string(1:NumFolds)),"VariableNames",strcat("RMSE_",CVModels))
RMSETable=5×2 table
RMSE_logistic RMSE_probit
_____________ ___________
Fold 1 0.0019412 0.0020972
Fold 2 0.0011167 0.0011644
Fold 3 0.0011536 0.0011802
Fold 4 0.0010269 0.00097877
Fold 5 0.0015965 0.001485
fitLifetimePDModel | Logistic | modelAccuracy | modelDiscrimination | predict | predictLifetime | Probit