Инструменты для моделирования протокола результатов кредита доступны в Financial Toolbox.
Для получения информации о разработке протоколов результатов кредита смотрите, Создают Протоколы результатов Кредита.
creditscorecard | Создайте creditscorecard объект создать модель протокола результатов кредита |
autobinning | Выполните автоматическое раскладывание данных предикторов |
bininfo | Возвратите информацию об интервале предиктора |
predictorinfo | Сводные данные свойств предиктора протокола результатов кредита |
fillmissing | Замените отсутствующие значения для предикторов протокола результатов кредита |
modifybins | Измените интервалы предиктора |
modifypredictor | Установите свойства предикторов протокола результатов кредита |
bindata | Сгруппированные переменные предикторы |
plotbins | Гистограмма графика значит переменные предикторы |
fitmodel | Подбирайте модель логистической регрессии к данным о Весе доказательства (WOE) |
fitConstrainedModel | Подбирайте модель логистической регрессии к субъекту данных Веса доказательства (WOE) к ограничениям на коэффициенты модели |
setmodel | Установите предикторы модели и коэффициенты |
displaypoints | Возвратите точки на предиктор на интервал |
formatpoints | Точки протокола результатов формата и масштабирование |
score | Вычислите кредитные рейтинги для определенных данных |
probdefault | Вероятность значения по умолчанию для определенных данных установлена |
validatemodel | Подтвердите качество модели протокола результатов кредита |
compact | Создайте компактный протокол результатов кредита |
Тематическое исследование для анализа протокола результатов кредита
В этом примере показано, как создать creditscorecard объект, данные об интервале, отображение, и строят сгруппированную информацию о данных.
Припишите моделированию протокола результатов отсутствующие значения
Этот пример показывает альтернативные рабочие процессы, чтобы обработать отсутствующие значения при работе с creditscorecard объекты.
Сравнение рейтинга кредитоспособности Используя логистическую регрессию и деревья решений
Этот пример показывает рабочий процесс для создания и сравнения двух моделей рейтинга кредитоспособности: рейтинг кредитоспособности, основанный на модели на логистической регрессии и рейтинге кредитоспособности, основанном на модели на деревьях решений.
Используйте методы вывода отклонения с протоколами результатов кредита
Этот пример демонстрирует твердое сокращение и нечеткие подходы увеличения, чтобы отклонить вывод.
Сравните вероятность значения по умолчанию Используя модели и момента времени через цикл
В этом примере показано, как работать с данными о панели потребительского кредита, чтобы создать через цикл (TTC) и модели момента времени (PIT) и сравнить их соответствующие вероятности значения по умолчанию (PD).
Сравните нейронные сети для глубокого обучения для предсказания значения по умолчанию кредита (Deep Learning Toolbox)
В этом примере показано, как создать, обучайтесь и сравните три нейронных сети для глубокого обучения для предсказания вероятности значения по умолчанию кредита.
В этом примере показано, как обучить кредитный риск вероятности значения по умолчанию (PD) предсказание с помощью глубокой нейронной сети.
