Создайте creditscorecard объект создать модель протокола результатов кредита
Создайте модель протокола результатов кредита путем создания creditscorecard возразите и задайте входные данные в формате таблицы.
После создания creditscorecard объект, можно использовать связанные объектные функции для интервала данные и выполнить анализ логистической регрессии, чтобы разработать модель протокола результатов кредита, чтобы вести решения кредита. Этот рабочий процесс показывает, как разработать модель протокола результатов кредита.
Использование screenpredictors (Risk Management Toolbox) от Risk Management Toolbox™, чтобы срезать потенциально большой набор предикторов к подмножеству, которое является самым прогнозирующим из переменной отклика карты кредитного рейтинга. Используйте это подмножество предикторов при создании creditscorecard объект.
Создайте creditscorecard объект (см., Создает creditscorecard и Свойства).
Интервал использование данных autobinning.
Соответствуйте использованию модели логистической регрессии fitmodel или fitConstrainedModel.
Рассмотрите и отформатируйте использование точек протокола результатов кредита displaypoints и formatpoints. В этой точке в рабочем процессе, если у вас есть лицензия на Risk Management Toolbox, у вас есть опция, чтобы создать compactCreditScorecard объект (csc) использование compact функция. Можно затем использовать следующие функции displaypoints (Risk Management Toolbox), score (Risk Management Toolbox), и probdefault (Risk Management Toolbox) от Risk Management Toolbox с csc объект.
Выиграйте использование данных score.
Вычислите вероятности значения по умолчанию для использования данных probdefault.
Подтвердите качество использования модели протокола результатов кредита validatemodel.
Для более подробной информации об этом рабочем процессе см., что Протокол результатов Кредита Моделирует Рабочий процесс.
sc = creditscorecard(data)creditscorecard объект путем определения data. Модель протокола результатов кредита, возвращенная как creditscorecard возразите, содержит карты раскладывания или правила (точки разделения или группировки категории) 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 пар "имя-значение".
Примечание
Использовать наблюдение (выборка) веса в рабочем процессе протокола результатов кредита, при создании creditscorecard объект, необходимо использовать дополнительную пару "имя-значение" WeightsVar задавать который столбец в data содержит веса.
autobinning | Выполните автоматическое раскладывание данных предикторов |
bininfo | Возвратите информацию об интервале предиктора |
predictorinfo | Сводные данные свойств предиктора протокола результатов кредита |
modifypredictor | Установите свойства предикторов протокола результатов кредита |
fillmissing | Замените отсутствующие значения для предикторов протокола результатов кредита |
modifybins | Измените интервалы предиктора |
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 |
creditscorecard ОбъектСоздайте creditscorecard объект с помощью CreditCardData.mat файл, чтобы загрузить data (использование набора данных от 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, чтобы загрузить данные (dataWeights) это содержит столбец (RowWeights) для весов (использующий набор данных от Refaat 2011).
load CreditCardDataСоздайте creditscorecard объект с помощью дополнительного аргумента 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 объектовСоздайте creditscorecard объект с помощью CreditCardData.mat файл, чтобы загрузить data (использование набора данных от 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]
Отобразить creditscorecard свойства объектов, 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 помощью CreditCardData.mat файл, чтобы загрузить data (использование набора данных от 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, можно 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 помощью CreditCardData.mat файл, чтобы загрузить data (использование набора данных от 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, значениях по умолчанию для свойств ResponseVar, PredictorVars и GoodLabel присвоены, когда этот объект создается. По умолчанию, свойство ResponseVar установлен в 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 установлен в 0, поскольку это - значение в переменной отклика (ResponseVar) с самым высоким количеством.
Отобразите creditscorecard свойства объектов с помощью 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 имейте открытый 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 набор GoodLabel и ResponseVarСоздайте creditscorecard объект с помощью CreditCardData.mat файл, чтобы загрузить data (использование набора данных от Refaat 2011). Затем используйте аргументы пары "имя-значение" для creditscorecard задавать 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 может только быть установлен (осуществленный) при создании creditscorecard объект с помощью creditscorecard.
creditscorecard Объект и набор 'BinMissingData' СвойствоСоздайте creditscorecard объект с помощью CreditCardData.mat файл, чтобы загрузить 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
Используйте creditscorecard с аргументом 'BinMissingData' значения имени установите на true к интервалу недостающие 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]
Отобразите информацию об интервале для числовых данных для 'CustAge' это включает недостающие данные в отдельный интервал, пометил <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')
Отобразите информацию об интервале для категориальных данных для 'ResStatus' это включает недостающие данные в отдельный интервал, пометил <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] Андерсон, R. Инструментарий рейтинга кредитоспособности. Издательство Оксфордского университета, 2007.
[2] Refaat, M. Подготовка данных для анализа данных Используя SAS. Морган Кофманн, 2006.
[3] Refaat, M. Протоколы результатов Кредитного риска: Разработка и Реализация Используя SAS. lulu.com, 2011.
screenpredictors (Risk Management Toolbox) | autobinning | modifybins | bindata | bininfo | fillmissing | predictorinfo | modifypredictor | plotbins | fitmodel | fitConstrainedModel | displaypoints | formatpoints | score | setmodel | validatemodel | probdefault | table