Создайте и анализируйте протоколы результатов кредита

Моделирование протокола результатов кредита, раскладывание, подбирая модель, получая точки и баллы, проверку допустимости модели, вероятность значения по умолчанию с помощью Financial Toolbox™

Инструменты для моделирования протокола результатов кредита доступны в Financial Toolbox.

Для получения информации о разработке протоколов результатов кредита смотрите, Создают Протоколы результатов Кредита.

Объекты

creditscorecardСоздайте creditscorecard объект создать модель протокола результатов кредита

Функции

autobinningВыполните автоматическое раскладывание данных предикторов
bininfoВозвратите информацию об интервале предиктора
predictorinfoСводные данные свойств предиктора протокола результатов кредита
fillmissingЗамените отсутствующие значения для предикторов протокола результатов кредита
modifybinsИзмените интервалы предиктора
modifypredictorУстановите свойства предикторов протокола результатов кредита
bindataСгруппированные переменные предикторы
plotbinsГистограмма графика значит переменные предикторы
fitmodelПодбирайте модель логистической регрессии к данным о Весе доказательства (WOE)
fitConstrainedModelПодбирайте модель логистической регрессии к субъекту данных Веса доказательства (WOE) к ограничениям на коэффициенты модели
setmodelУстановите предикторы модели и коэффициенты
displaypointsВозвратите точки на предиктор на интервал
formatpointsТочки протокола результатов формата и масштабирование
scoreВычислите кредитные рейтинги для определенных данных
probdefaultВероятность значения по умолчанию для определенных данных установлена
validatemodelПодтвердите качество модели протокола результатов кредита
compactСоздайте компактный протокол результатов кредита

Темы

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.

Интерпретируйте и нейронные сети для глубокого обучения стресс-теста для вероятности значения по умолчанию

В этом примере показано, как обучить кредитный риск вероятности значения по умолчанию (PD) предсказание с помощью глубокой нейронной сети.

Для просмотра документации необходимо авторизоваться на сайте