modelAccuracyPlot

График поля точек предсказанного и наблюдаемого ИДЗА

свернуть все на странице

Синтаксис

modelAccuracyPlot(eadModel,data)
modelAccuracyPlot(___,Name,Value)
h = modelAccuracyPlot(ax,___,Name,Value)

Описание

пример

modelAccuracyPlot(eadModel,data) возвращает график рассеивания наблюдаемых по сравнению с предсказанными данными о воздействии в значении по умолчанию (EAD) с линейной подгонкой. modelAccuracyPlot сравнение поддержек с образцом модели. По умолчанию, modelAccuracyPlot графики в шкале EAD.

пример

modelAccuracyPlot(___,Name,Value) задает опции с помощью одного или нескольких аргументов пары "имя-значение" в дополнение к входным параметрам в предыдущем синтаксисе. Можно использовать ModelLevel аргумент пары "имя-значение", чтобы вычислить метрики с помощью преобразованной шкалы базовой модели.

пример

h = modelAccuracyPlot(ax,___,Name,Value) задает опции с помощью одного или нескольких аргументов пары "имя-значение" в дополнение к входным параметрам в предыдущем синтаксисе и возвращается, фигура обрабатывают h.

Примеры

свернуть все

Скрипт Open Live Script

В этом примере показано, как использовать fitEADModel создать Tobit модель и затем использует modelAccuracyPlot сгенерировать график рассеивания для предсказанного и наблюдаемого ИДЗА.

Загрузите данные EAD

Загрузите данные EAD. 

load EADData.mat
head(EADData)
ans=8×6 table
    UtilizationRate    Age     Marriage        Limit         Drawn          EAD    
    _______________    ___    ___________    __________    __________    __________

        0.24359        25     not married         44776         10907         44740
        0.96946        44     not married    2.1405e+05    2.0751e+05         40678
              0        40     married        1.6581e+05             0    1.6567e+05
        0.53242        38     not married    1.7375e+05         92506        1593.5
         0.2583        30     not married         26258        6782.5        54.175
        0.17039        54     married        1.7357e+05         29575        576.69
        0.18586        27     not married         19590          3641        998.49
        0.85372        42     not married    2.0712e+05    1.7682e+05    1.6454e+05


rng('default');
NumObs = height(EADData);
c = cvpartition(NumObs,'HoldOut',0.4);
TrainingInd = training(c);
TestInd = test(c);

Выберите Model Type

Выберите тип модели для Tobit или Regression.

ModelType = "Tobit";

Выберите Conversion Measure

Выберите меру по преобразованию для значений отклика EAD.

ConversionMeasure = "CCF";

Создайте Tobit Модель EAD

Используйте fitEADModel создать Tobit модель с помощью EADData.

eadModel = fitEADModel(EADData,ModelType,'PredictorVars',{'UtilizationRate','Age','Marriage'}, ...
    'ConversionMeasure',ConversionMeasure,'DrawnVar','Drawn','LimitVar','Limit','ResponseVar','EAD');
disp(eadModel);
  Tobit with properties:

        CensoringSide: "right"
            LeftLimit: NaN
           RightLimit: 1
              ModelID: "Tobit"
          Description: ""
      UnderlyingModel: [1x1 risk.internal.credit.TobitModel]
        PredictorVars: ["UtilizationRate"    "Age"    "Marriage"]
          ResponseVar: "EAD"
             LimitVar: "Limit"
             DrawnVar: "Drawn"
    ConversionMeasure: "ccf"

Отобразите базовую модель. Переменная отклика базовой модели является преобразованием данных об ответе EAD. Используйте 'LimitVar' и 'DrawnVar' аргументы name-value, чтобы изменить преобразование.

disp(eadModel.UnderlyingModel);
Tobit regression model, right-censored:
     EAD_ccf = min(Y*,1)
     Y* ~ 1 + UtilizationRate + Age + Marriage

Estimated coefficients:
                             Estimate        SE         tStat       pValue  
                            __________    _________    ________    _________

    (Intercept)                0.48417      0.10751      4.5035    6.857e-06
    UtilizationRate            -1.6791     0.073617     -22.809            0
    Age                     -0.0035655    0.0025849     -1.3793      0.16786
    Marriage_not married     -0.020555     0.048531    -0.42355      0.67191
    (Sigma)                     1.5317     0.016771      91.326            0

Number of observations: 4378
Number of left-censored observations: 0
Number of uncensored observations: 4377
Number of right-censored observations: 1
Log-likelihood: -10471.6

Предскажите EAD

Предсказание EAD работает с базовой компактной статистической моделью и затем преобразовывает ожидаемые значения назад к шкале EAD. Можно задать predict функция с различными вариантами для 'ModelLevel' аргумент значения имени.

predictedEAD = predict(eadModel,EADData(TestInd,:),'ModelLevel','ead');
predictedConversion = predict(eadModel,EADData(TestInd,:),'ModelLevel','ConversionMeasure');

Подтвердите модель EAD

Для проверки допустимости модели используйте modelDiscrimination, modelDiscriminationPlot, modelAccuracy, и modelAccuracyPlot.

Используйте modelDiscrimination и затем modelDiscriminationPlot построить кривую ROC.

ModelLevel = "ead";

[DiscMeasure1, DiscData1] = modelDiscrimination (eadModel, EADData (TestInd, :),'ModelLevel', ModelLevel);
modelDiscriminationPlot (eadModel, EADData (TestInd, :),'ModelLevel', ModelLevel,'SegmentBy','Marriage');

Figure contains an axes object. The axes object with title EAD ROC Segmented by Marriage contains 2 objects of type line. These objects represent Tobit, married, AUROC = 0.8054, Tobit, not married, AUROC = 0.79236.

Используйте modelAccuracy и затем modelAccuracyPlot показать график рассеивания предсказаний.

YData = "Observed";

[AccMeasure1, AccData1] = modelAccuracy (eadModel, EADData (TestInd, :),'ModelLevel', ModelLevel);
modelAccuracyPlot (eadModel, EADData (TestInd, :),'ModelLevel', ModelLevel,'YData', YData);

Figure contains an axes object. The axes object with title Scatter Tobit, R-Squared: 0.33645 contains 2 objects of type scatter, line. These objects represent Data, Fit.

Входные параметры

свернуть все

Воздействие в модели по умолчанию в виде ранее созданного Regression или Tobit объектное использование fitEADModel.

Типы данных: object

Данные в виде NumRows- NumCols таблица с предиктором и значениями отклика. Имена переменных и типы данных должны быть сопоставимы с базовой моделью.

Типы данных: table

(Необязательно) Допустимая ось возражает в виде ax объект, который создается с помощью axes. График будет создан в осях, заданных дополнительным ax аргумент вместо в текущей системе координат (gca). Дополнительный аргумент ax должен предшествовать любой из комбинаций входных аргументов.

Типы данных: object

Аргументы name-value

Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: modelAccuracyPlot(eadModel,data(TestInd,:),'DataID','Testing','YData','residuals','XData','LTV')

Идентификатор набора данных в виде разделенной запятой пары, состоящей из 'DataID' и вектор символов или строка. DataID включен в выход для создания отчетов о целях.

Типы данных: char | string

Уровень модели в виде разделенной запятой пары, состоящей из 'ModelLevel' и вектор символов или строка.

Примечание

Regression модели поддерживают все три уровня модели, но Tobit модель поддерживает уровни модели только для 'ead' и 'conversionMeasure'.

Типы данных: char | string

Значения EAD предсказаны для data образцом модели в виде разделенной запятой пары, состоящей из 'ReferenceEAD' и NumRows- 1 числовой вектор. График рассеивания выход построен для обоих eadModel возразите и образец модели.

Типы данных: double

Идентификатор для образца модели в виде разделенной запятой пары, состоящей из 'ReferenceID' и вектор символов или строка. 'ReferenceID' используется в графике рассеивания выход для создания отчетов о целях.

Типы данных: char | string

Данные, чтобы построить на x - ось в виде разделенной запятой пары, состоящей из 'XData' и вектор символов или строка для одного из следующего:

  • 'predicted' — Постройте предсказанные значения EAD в x - ось.

  • 'observed' — Постройте наблюдаемые значения EAD в x - ось.

  • 'residuals' — Постройте остаточные значения в x - ось.

  • VariableName — Используйте имя переменной в data введите, не обязательно переменная модели, чтобы построить в x - ось.

Типы данных: char | string

Данные, чтобы построить на y - ось в виде разделенной запятой пары, состоящей из 'YData' и вектор символов или строка для одного из следующего:

  • 'predicted' — Постройте предсказанные значения EAD в y - ось.

  • 'observed' — Постройте наблюдаемые значения EAD в y - ось.

  • 'residuals' — Постройте остаточные значения в y - ось.

Типы данных: char | string

Выходные аргументы

свернуть все

Изобразите указатель для рассеяния и объектов линии, возвращенных как объект указателя.

Больше о

свернуть все

График точности модели

modelAccuracyPlot функция возвращает график рассеивания наблюдаемых по сравнению с предсказанной потерей, данной значение по умолчанию (EAD) данные с линейной подгонкой, и сообщает о R-квадрате линейной подгонки.

XData аргумент пары "имя-значение" позволяет вам изменять значения x на графике. По умолчанию предсказанные значения EAD построены в x - ось, но предсказаны значения EAD, остаточные значения или любая переменная в data введите, не обязательно переменная модели, может использоваться в качестве значений x. Если выбранный XData категориальная переменная, график роя используется. Для получения дополнительной информации смотрите swarmchart.

YData аргумент пары "имя-значение" позволяет пользователям изменять значения y на графике. По умолчанию наблюдаемые значения EAD построены в y - ось, но предсказаны, значения EAD или остаточные значения могут также использоваться в качестве значений y. YData не поддерживает табличные переменные.

Линейное подходящее и сообщило, что значение Р-скуэреда всегда соответствует модели линейной регрессии с нанесенными на график значениями y как ответ и нанесенные на график значения x как единственный предиктор.

Ссылки

[1] Baesens, Барт, Дэниел Роеш и Харальд Шойле. Аналитика кредитного риска: техники измерений, приложения и примеры в SAS. Вайли, 2016.

[2] Беллини, Тициано. МСФО 9 и моделирование кредитного риска CECL и валидация: практическое руководство с примерами работало в R и SAS. Сан-Диего, CA: Elsevier, 2019.

[3] Браун, Иэн. Разработка Моделей Кредитного риска Используя Шахтера Предприятия SAS и SAS/STAT: Теория и Приложения. SAS Institute, 2014.

[4] Roesch, Дэниел и Харальд Шойле. Глубокий Кредитный риск. Независимо опубликованный, 2020.

Смотрите также

| | | | | |

Темы

Введенный в R2021b

Документация Risk Management Toolbox

Поддержка

Для просмотра документации необходимо авторизоваться на сайте