创建creditscorecard
对象来构建信用记分卡模型
通过创建creditscorecard
对象并以表格格式指定输入数据。
在创建一个creditscorecard
对象,您可以使用关联的对象函数对数据进行装箱并执行逻辑回归分析,以开发信用记分卡模型来指导信用决策。此工作流显示了如何开发信用记分卡模型。
使用屏幕预测器
(风险管理工具箱)来自风险管理工具箱™ 将一组可能较大的预测值缩减为最能预测信用评分卡响应变量的子集。在创建预测时使用此预测子集creditscorecard
对象。
创建一个creditscorecard
对象(请参见创建creditscorecard和性质).
使用自动投球
.
拟合逻辑回归模型使用fitmodel
或fitConstrainedModel
.
使用审核和格式化信用记分卡积分displaypoints
和formatpoints
.在工作流的这一点上,如果您有风险管理工具箱的许可证,您可以选择创建一个信用记分卡
反对(csc
)使用契约
函数。然后可以使用以下函数displaypoints
(风险管理工具箱),分数
(风险管理工具箱),probdefault
(风险管理工具箱)从风险管理工具箱和csc
对象。
使用以下方法对数据进行评分分数
.
使用。计算数据的违约概率probdefault
.
使用验证信用记分卡模型的质量validatemodel
.
有关此工作流的详细信息,请参阅信用记分卡建模工作流.
创建一个sc
= creditscorecard (数据
)creditscorecard
通过指定对象数据
.信用记分卡模型,返回为creditscorecard
对象,包含一个或多个预测器的装箱映射或规则(切点或类别分组)。
集性质使用前面语法中的名称-值对和任何参数。例如,sc
= creditscorecard (___,名称,值
)sc = creditscorecard(数据,“GoodLabel”,0,‘IDVar’,‘CustID’,‘ResponseVar’,‘身份’,‘PredictorVars’,{‘CustAge’,‘CustIncome},‘WeightsVar’,‘RowWeights’,‘BinMissingData’,真的)
.可以指定多个名称-值对。
请注意
要在信用记分卡工作流中使用观察(示例)权重,请在创建creditscorecard
对象,则必须使用可选的名称-值对WeightsVar
中定义的列数据
包含权重。
自动投球 |
对给定的预测器执行自动分类 |
bininfo |
返回预测器的bin信息 |
预测信息 |
总结信用记分卡预测属性 |
修正预测器 |
设置信用记分卡预测器的属性 |
填充物缺失 |
替换缺少的信用记分卡预测值 |
modifybins |
修改预测的垃圾箱 |
bindata |
组合预测变量 |
绘图仪 |
预测变量的柱状图计数 |
fitmodel |
将logistic回归模型与证据权重(WOE)数据拟合 |
fitConstrainedModel |
根据模型系数的约束条件,将逻辑回归模型与证据权重(WOE)数据拟合 |
setmodel |
集模型预测器和系数 |
displaypoints |
返回点每个预测器每箱 |
formatpoints |
格式记分卡点数和缩放 |
分数 |
计算给定数据的信用分数 |
probdefault |
给定数据集的默认可能性 |
validatemodel |
验证信用记分卡模型的质量 |
契约 |
创建紧凑的信用记分卡 |
[1] 安德森,R。信用评分工具包。牛津大学出版社,2007年。
[2] Refaat, M。SAS数据挖掘的数据准备。2006年摩根考夫曼。
[3] Refaat, M。信用风险记分卡:使用SAS开发和实施。lulu.com, 2011。
屏幕预测器
(风险管理工具箱)|自动投球
|modifybins
|bindata
|bininfo
|填充物缺失
|预测信息
|修正预测器
|绘图仪
|fitmodel
|fitConstrainedModel
|displaypoints
|formatpoints
|分数
|setmodel
|validatemodel
|probdefault
|表格