使用screenPredictors.从风险管理工具箱™中将潜在的大量预测因素缩减为最能预测信用评分卡响应变量的子集。在创建creditscorecard对象。

创建一个creditscorecard对象，通过指定表格格式的“培训”数据进行信用记分卡分析。训练数据，有时称为建模视图，是多个数据准备任务的结果(见关于信用记分卡)，必须在创建creditscorecard对象。

您可以使用可选的输入参数creditscorecard要指定计分卡属性，如响应变量和GoodLabel．时执行一些初始数据探索creditscorecard对象的创建，尽管数据分析通常是结合数据分类来完成的(参见步骤2)creditscorecard第一步信用记分卡分析的案例研究．

创建一个creditscorecard使用培训数据的对象。

当你创建creditscorecard对象，可以指定表格格式的“培训”数据。训练数据，有时称为建模视图，是多个数据准备任务的结果(见关于信用记分卡)，必须在创建creditscorecard对象。

您可以使用可选的输入参数creditscorecard要指定计分卡属性，如响应变量和GoodLabel．时执行一些初始数据探索creditscorecard对象的创建，尽管数据分析通常是结合数据分类来完成的(参见步骤2)creditscorecard第一步信用记分卡分析的案例研究．

箱子。

执行加载到的数据的手动或自动分批creditscorecard对象。

共同的起点是使用使用的全部或选定变量将自动分叉应用autobinning，报告使用宾FO.，并使用装箱计数和统计或关联度量(如证据权重(WOE))来可视化装箱信息plotbins．可以使用手动修改或微调箱modifybins或者使用不同的自动装箱算法autobinning．在信用记分卡上下文中经常需要显示WOE近线性趋势的垃圾箱。

或者，与风险管理工具箱，您可以使用奔波探险家应用程序交互bin。的奔波探险家使您能够交互式地应用分类算法和修改分类。有关更多信息，请参见奔波探险家．

有关更多信息和示例，请参见autobinning，modifybins，宾FO.，和plotbins第二步信用记分卡分析的案例研究．

拟合逻辑回归模型。

拟合逻辑回归模型的祸哉数据来自creditscorecard对象。的Fitmodel.功能内部箱子训练数据，将其转换为WOE值，映射响应变量，以便'好'是1，并拟合线性逻辑回归模型。

默认情况下,Fitmodel.使用一个逐步过程来确定模型中应该有哪些预测器，但也可以使用可选的输入参数，例如，以适合完整的模型。有关更多信息和示例，请参见Fitmodel.第三步信用记分卡分析的案例研究．

或者，您可以应用平等，不等式或束缚约束，以将Logistic回归模型与来自的WOE数据拟合creditscorecard对象使用FitConstromedModel.．

审查和格式信用记分卡积分。

拟合logistic模型后，使用displaypoints.总结记分卡的要点。默认情况下，这些点是未缩放的，直接来自证据权重(WOE)值和模型系数的组合。

的formatpoints功能可让您控制记分卡点的缩放和舍入。有关更多信息和示例，请参见displaypoints.和formatpoints第四步信用记分卡分析的案例研究．

（可选）您可以使用Compact Credit Scorecard使用

创建一个compactCreditScorecard对象,使用紧凑创建一个compactCreditScorecard对象。然后可以使用以下函数displaypoints.，分数，和probdefault.风险管理工具箱中的compactCreditScorecard对象. .

得分数据。

的分数函数计算训练数据的分数。

还可以传递一个可选的数据输入分数，例如验证数据。每个客户的每个预测器的点数也作为可选输出提供。有关更多信息和示例，请参见分数和第5步信用记分卡分析的案例研究．

计算信用记分卡分数的违约概率。

的probdefault.用于计算默认训练数据的概率的函数。

此外，您还可以使用probdefault.函数。有关更多信息和示例，请参见probdefault.然后第六步信用记分卡分析的案例研究．

验证信用记分卡模型。

使用validatemodel验证信用记分卡模型的质量的功能。

属性可以获得给定数据集的累积精度剖面(CAP)、接收机工作特征(ROC)和Kolmogorov-Smirnov (KS)图和统计数据validatemodel函数。有关更多信息和示例，请参见validatemodel第七步信用记分卡分析的案例研究．