被预测变量
信用记分卡
数据如Bin编号、类别或WOE值这个例子展示了如何使用宾达
函数用于简单地对数据进行装箱或离散化。
假设仓的范围为
“0到30”
31到50的
“51,”
为年龄变量确定(通过手动或自动装箱)。如果给出了年龄为41岁的数据点,则将该数据点装箱意味着将其放入年龄为41岁的箱子中,即第二个箱子或“31至50”箱子。然后,装箱是将原始数据映射到离散的组或箱中。在这个例子中,你可以说41岁的孩子被映射到2号仓位,或者说被划分到“31到50”类别。如果您知道三个存储箱中每个存储箱的证据权重(WOE)值,还可以将数据点41替换为与第二个存储箱对应的WOE值。宾达
金宝app支持刚才提到的三种装箱格式:
箱号(其中“输出类型”
名称-值对参数设置为“BinNumber”
);这是默认选项,在本例中,41被映射到bin 2。
分类(“输出类型”
名称-值对参数设置为“分类”
); 在这种情况下,41被映射到“31到50”箱子。
悲哀值(其中“输出类型”
名称-值对参数设置为“悲哀”
);在本例中,41被映射到箱号2的WOE值。
创建一个信用记分卡
使用CreditCardData.mat
文件来加载数据
(使用Refaat 2011的数据集)。使用“IDVar”
论证来表明“卡斯蒂德”
包含ID信息,不应作为预测变量包含。
负载CreditCardDatasc = creditscorecard(数据,“IDVar”,“卡斯蒂德”)
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]
执行自动装箱。
sc = autobinning (sc);
显示的bin信息“CustAge”
.
bininfo (sc,“CustAge”)
ans =8×6表7.53 1.3208-0.422 0.019746{[[33.0 0.019746{[33.37]0.019746{[33,37)0.017 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7.1.1.1.1.53 1.53 1.1-0 0 0 0 0 0.1.1.32-0 0 0 0 0 0 0 0 0 0.019746 [[[[[[33,37,37)10 10 10 10 10 10 10 10 [33,37)7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 10 10 [[[[[[[33,37)7 7 7 7 7 7)7 7 7 7 7 7 7 7 7 7)7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7)[40,46'}174 94 1.8511-0.088658 0.001781{'[46,48'}61 25 2.44 0.18758 0.0024372{'[48,58'}263 105 2.5048 0.21378 0.013476{'[58,Inf]}98 26 3.7692 0.62245 0.0352{'Totals'}803 397 2.0227 NaN 0.095205
这些是原始数据中的前10个年龄值,用于创建信用记分卡
对象。
数据(1:10,“CustAge”)
ans =10×1表CustAge _______ 53 61 47 50 68 65 34 50 50 49
Bin记分卡数据为Bin编号(默认行为)。
bdata=bindata(sc);
根据装箱信息,将第一个年龄段映射到第四个年龄段,第二个年龄段映射到第五个年龄段,以此类推。这些是前10个被装箱的年龄,以装箱数字的形式。
b数据(1:10,“CustAge”)
ans =10×1表CustAge _______ 6 7 5 6 7 7 2 6 6 6 6
将记分卡数据装箱并显示它们的装箱标签。要做到这一点,设置宾达
的名称-值对参数“输出类型”
来“分类”
.
bdata = bindata (sc,“输出类型”,“分类”);
以下是前10个被分类的年龄。
b数据(1:10,“CustAge”)
ans =10×1表CustAge ________ [ 48岁的58)[58岁正][46岁,48)[48,58)[58岁的Inf][58岁的Inf][33岁,37)[48,58)[48,58)[48,58)
将记分卡数据转换为WOE值。要做到这一点,设置宾达
的名称-值对参数“输出类型”
来“悲哀”
.
bdata = bindata (sc,“输出类型”,“悲哀”);
以下是以WOE格式列出的前10个被丢弃的年代。属性将年龄映射到内部显示的WOE值bininfo
作用
b数据(1:10,“CustAge”)
ans =10×1表CustAge ________ 0.21378 0.62245 0.18758 0.21378 0.62245 0.62245 -0.39568 0.21378 0.21378 0.21378
这个例子展示了如何使用宾达
函数用于存放数据的可选输入。如果没有提供,宾达
箱子的信用记分卡
培训数据。但是,如果需要将不同的数据集(例如,一些“测试”数据)装箱,则可以将其传递到宾达
作为可选输入。
创建一个信用记分卡
使用CreditCardData.mat
文件来加载数据
(使用Refaat 2011的数据集)。使用“IDVar”
论证来表明“卡斯蒂德”
包含ID信息,不应作为预测变量包含。
负载CreditCardDatasc = creditscorecard(数据,“IDVar”,“卡斯蒂德”)
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]
执行自动装箱。
sc = autobinning (sc);
显示的bin信息“CustAge”
.
bininfo (sc,“CustAge”)
ans =8×6表7.53 1.3208-0.422 0.019746{[[33.0 0.019746{[33.37]0.019746{[33,37)0.017 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7.1.1.1.1.53 1.53 1.1-0 0 0 0 0 0.1.1.32-0 0 0 0 0 0 0 0 0 0.019746 [[[[[[33,37,37)10 10 10 10 10 10 10 10 [33,37)7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 10 10 [[[[[[[33,37)7 7 7 7 7 7)7 7 7 7 7 7 7 7 7 7)7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7)[40,46'}174 94 1.8511-0.088658 0.001781{'[46,48'}61 25 2.44 0.18758 0.0024372{'[48,58'}263 105 2.5048 0.21378 0.013476{'[58,Inf]}98 26 3.7692 0.62245 0.0352{'Totals'}803 397 2.0227 NaN 0.095205
出于演示的目的,从原始数据中取几行作为“测试”数据,并在测试数据中显示前10个年龄值。
tdata =数据(101:110:);tdata (1:10“CustAge”)
ans =10×1表CustAge _______ 34 59 64 61 28 65 55 37 49 51
将测试数据转换为WOE值。要做到这一点,设置宾达
的名称-值对参数“输出类型”
来“悲哀”
,通过测试数据(数据
)作为可选输入。
tdata bdata = bindata (sc,“输出类型”,“悲哀”)
bdata =10×11表CustID CustAge TmAtAddress ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance UtilRate地位 ______ ________ ___________ _________ _________ __________ ________ ________ _________ ________ ______ 101 -0.39568 -0.087767 -0.095564 0.2418 -0.011271 0.76889 0.053364 -0.11274 0.048576 102 0.62245 0.14288 0.019329 -0.19947 0.20579 -0.13107 00.26832 -0.11274 0.048576 1 103 0.2245 0.02263 0.019329 0.2418 0.47972 0.12109 0.053364 0.24418 0.092164 00.21378 -0.087767 -0.095564 0.2418 0.7972 0.26704 0.053364 -0.11274 0.048576 0 108 -0.26411 -0.087767 0.019329 -0.19947 -0.29217 -0.13107 0.053364 -0.11274 0.048576 0 110 0.21378 -0.087767 0.087767 -0.095564 0.2418 - 0.020579 - 0.1376 0.053364 -0.29895 -0.228990
以下是以WOE格式列出的前10个被丢弃的年代。年龄映射到内部显示的WOE值bininfo
.
b数据(1:10,“CustAge”)
ans =10×1表保管费-0.39568 0.62245 0.62245 0.62245-0.42622 0.62245 0.21378-0.26411 0.21378 0.21378
BinMissingData'
选项创建一个信用记分卡
使用CreditCardData.mat
文件来加载数据
用缺失值。的变量CustAge
和ResStatus
有缺失值。
负载CreditCardData.mat头部(数据缺失,5)
ans =5×11表CustID CustAge TmAtAddress ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance UtilRate地位 ______ _______ ___________ ___________ _________ __________ _______ _______ _________ ________ ______ 53 62 <定义>未知50000 55是的1055.9 - 0.22 0 2 61 22业主雇佣52000 25是的1161.6 - 0.24 0 3 47 30租户雇佣了37000 61877.23 0.29 0 4 NaN 75自雇业主53000 20是157.37 0.08 0 5 68 56自雇业主53000 14是561.84 0.11 0
使用信用记分卡
使用name-value参数“BinMissingData”
设置为真正的
将丢失的数字或类别数据装入单独的容器中。应用自动装箱。
sc = creditscorecard (dataMissing,“IDVar”,“卡斯蒂德”,“BinMissingData”,真正的);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]
显示和打印的数字数据的箱子信息“CustAge”
这包括在一个单独的标签箱中丢失的数据< >失踪
.
(bi, cp) = bininfo (sc,“CustAge”);disp (bi)
本好不好悲哀InfoValue几率 _____________ ____ ___ ______ ________ __________ {'[- 正无穷,33)52}69 1.3269 -0.42156 0.018993{[33岁,37)}63年45 1.4 -0.36795 0.012839{[37、40)}72年47 1.5319 -0.2779 0.0079824{'[40岁,46)}172 89 1.9326 -0.04556 0.0004549{'[46岁,48)}59 25 2.36 0.15424 0.0016199{[48,51)}99年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 {''} 19 11 1.7273 -0.15787 0.00063885 {' total '} 803 397 2.0227 NaN 0.087112
plotbins (sc,“CustAge”)
显示和绘图的分类数据的bin信息“雷斯塔特斯”
这包括在一个单独的标签箱中丢失的数据< >失踪
.
(bi, cg) = bininfo (sc,“雷斯塔特斯”);disp (bi)
(UUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUU27 13 2.0769 0.026469 2.3248e-05{‘总计}803 397 2.0227 NaN 0.0092627
plotbins (sc,“雷斯塔特斯”)
为“CustAge”
和“雷斯塔特斯”
预测者,有缺失的数据(楠
年代和<定义>
),分箱过程估计出的WOE值为-0.15787
和0.026469
分别为这些预测器中的缺失数据,如上所示。
为了便于说明,从原始数据中选取几行作为测试数据,并引入一些缺失的数据。
tdata = dataMissing(十一14:);tdata.CustAge(1) =南;tdata.TmAtAddress(2) =南;tdata.ResStatus (3) =' <定义> ';tdata.EmpStatus (4) =' <定义> ';disp (tdata)
CustID CustAge TmAtAddress ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance UtilRate地位 ______ _______ ___________ ___________ ___________ __________ _______ _______ _________ ________ ______ 11 34000年南24日租户未知44是的119.8 0.07 1 12 48南其他未知44000 14是的403.62 - 0.03 0 13 65 63 <定义>未知的48000 6111.88 0.02 0 14 44 75 Other41000 35 No 436.41 0.18 0
将测试数据转换为WOE值。要做到这一点,设置宾达
的名称-值对参数“输出类型”
来“悲哀”
,通过测试数据数据
作为可选输入。
tdata bdata = bindata (sc,“输出类型”,“悲哀”);disp (bdata)
CustID CustAge TmAtAddress ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance UtilRate地位 ______ ________ ___________ _________ _________ __________ ________ ________ _________ ________ ______ 11 -0.15787 0.02263 -0.095463 -0.19947 -0.06843 -0.12109 0.053364 0.24418 0.048576 1 12 0.19637 -0.19947 0.20579 -0.13107 0.053364 0.17713南0.24418 0.092164 0 13 0.60931 0.02263 0.026469 0.19947 0.7972 0.25547 0.26832 0.24418 0.092164 0 14 -0.04556 0.02263 0.19637 NaN -0.011271 -0.12109 -0.26832 0.24418 0.048576 0
为“CustAge”
和“雷斯塔特斯”
预测值,因为训练数据中缺少数据,测试数据中缺少的值被映射到为测试数据估计的WOE值< >失踪
箱子因此,缺少的值为“CustAge”
被替换为-0.15787
,以及缺少的值“雷斯塔特斯”
被替换为0.026469
.
对于“TmAtAddress”
和“EmpStatus”
,训练数据没有缺失值,因此没有缺失数据的bin,也没有方法估计缺失数据的WOE值。因此,对于这些预测器,祸值转换将缺失值保留为缺失值(即设置祸值为)楠
).
这些规则适用于以下情况“输出类型”
被设置为“悲哀”
或“WOEModelInput”
。其基本原理是,如果缺失数据存在基于数据的WOE值,则应将其用于WOE转换和后续步骤(例如,拟合逻辑模型或评分)。
另一方面,当“输出类型”
被设置为“BinNumber”
或“分类”
,宾达
将丢失的值保留为丢失的值,因为这允许您随后按照您认为合适的方式处理丢失的数据。
例如,当“输出类型”
被设置为“BinNumber”
,则将缺失值设置为楠
:
tdata bdata = bindata (sc,“输出类型”,“BinNumber”);disp (bdata)
CustID CustAge TmAtAddress ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance UtilRate地位 ______ _______ ___________ _________ _________ __________ _______ _______ _________ ________ ______ 11南2 1 1 2 3 3 1 2 1 12 6南3 1 6 2 2 1 1 0 13 8 2南1 7 1 1 1 1 0 14 4 2 3南5 3 1 1 2 0
当“输出类型”
被设置为“分类”
,则将缺失值设置为' <定义> '
:
tdata bdata = bindata (sc,“输出类型”,“分类”);disp (bdata)
CustID CustAge TmAtAddress ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance UtilRate地位 ______ ___________ ___________ ___________ ___________ _____________ _________ _______ _____________ ___________ ______ 11 <定义>(83)租户未知(33000、35000)[23日45)是的[无穷,558.88)[0.04,0.36)1 12[48,51)<未定义>其他未知[42000,47000) [12,23) Yes [-Inf,558.88) [-Inf,0.04) 0 13 [58,Inf] [23,83)Unknown [47000,Inf] [-Inf,12) No [-Inf,558.88) [-Inf,0.04) 0 14 [40000, 46) [23,83) Other [40000,42000) [23,45) No [-Inf,558.88) [0.04,0.36) 0
宾达
金宝app支持以下类型的WOE转换:
当“输出类型”
名称值参数设置为“悲哀”
,宾达
只需将祸兮祸所及的转换应用于所有预测者,并保持原始数据中的其余变量不变。
当“输出类型”
名称-值对参数设置为“WOEModelInput”
,宾达
返回一个表,该表可直接用作为记分卡拟合逻辑回归模型的输入。在这种情况下,,宾达
:
对所有预测者应用祸祸转换。
返回预测变量,但不返回IDVar
或者输出中包含未使用的变量。
将映射的响应变量包含为最后一列。
这个fitmodel
函数调用宾达
在内部使用“WOEModelInput”
选择适合的逻辑回归模型信用记分卡
模型。
创建一个信用记分卡
使用CreditCardData.mat
文件来加载数据
(使用Refaat 2011的数据集)。使用“IDVar”
论证来表明“卡斯蒂德”
包含ID信息,不应作为预测变量包含。
负载CreditCardDatasc = creditscorecard(数据,“IDVar”,“卡斯蒂德”)
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]
执行自动装箱。
sc = autobinning (sc);
显示的bin信息“CustAge”
.
bininfo (sc,“CustAge”)
ans =8×6表7.53 1.3208-0.422 0.019746{[[33.0 0.019746{[33.37]0.019746{[33,37)0.017 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7.1.1.1.1.53 1.53 1.1-0 0 0 0 0 0.1.1.32-0 0 0 0 0 0 0 0 0 0.019746 [[[[[[33,37,37)10 10 10 10 10 10 10 10 [33,37)7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 10 10 [[[[[[[33,37)7 7 7 7 7 7)7 7 7 7 7 7 7 7 7 7)7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7)[40,46'}174 94 1.8511-0.088658 0.001781{'[46,48'}61 25 2.44 0.18758 0.0024372{'[48,58'}263 105 2.5048 0.21378 0.013476{'[58,Inf]}98 26 3.7692 0.62245 0.0352{'Totals'}803 397 2.0227 NaN 0.095205
这些是原始数据中的前10个年龄值,用于创建信用记分卡
对象。
数据(1:10,“CustAge”)
ans =10×1表CustAge _______ 53 61 47 50 68 65 34 50 50 49
将测试数据转换为WOE值。要做到这一点,设置宾达
的名称-值对参数“输出类型”
来“悲哀”
.
bdata = bindata (sc,“输出类型”,“悲哀”);
以下是以WOE格式列出的前10个被丢弃的年代。年龄映射到内部显示的WOE值bininfo
.
b数据(1:10,“CustAge”)
ans =10×1表CustAge ________ 0.21378 0.62245 0.18758 0.21378 0.62245 0.62245 -0.39568 0.21378 0.21378 0.21378
以下是以WOE格式列出的前10个被丢弃的年代。年龄映射到内部显示的WOE值bininfo
.
b数据(1:10,“CustAge”)
ans =10×1表CustAge ________ 0.21378 0.62245 0.18758 0.21378 0.62245 0.62245 -0.39568 0.21378 0.21378 0.21378
原始数据的大小和bdata
输出是相同的,因为宾达
留下未使用的变量(例如“IDVar”
)不变的和在地方。
谁数据bdata
Name Size Bytes Class Attributes bdata 1200x11 109204 table data 1200x11 84876 table
响应值在原始数据和装箱数据中是相同的,因为在默认情况下,宾达
不修改响应值。
disp ([data.status (1:10) bdata.status (1:10)))
0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 1 1 1
使用WOE数据拟合逻辑回归模型时,设置“输出类型”
的名称-值对参数“WOEModelInput”
.
bdata = bindata (sc,“输出类型”,“WOEModelInput”);
binned预测器数据与“输出类型”
名称-值对参数设置为“悲哀”
.
b数据(1:10,“CustAge”)
ans =10×1表CustAge ________ 0.21378 0.62245 0.18758 0.21378 0.62245 0.62245 -0.39568 0.21378 0.21378 0.21378
但是,原始数据的大小和bdata
输出不同。这是因为宾达
删除未使用的变量(例如“IDVar”
).
谁数据bdata
名称大小字节类属性bdata 1200x10 99368表格数据1200x11 84876表格
在本例中,响应值也被修改,并被映射为“Good”1.
和“坏”0
.
disp ([data.status (1:10) bdata.status (1:10)))
0 1 0 1 0 1 0 1 0 1 0 1 1 0 0 1 1 0 1 0
sc
—信用计分卡模型信用记分卡
对象信用记分卡模型,指定为信用记分卡
对象。使用信用记分卡
创建一个信用记分卡
对象。
数据
—数据到bin给定的规则设置信用记分卡
对象属性中设置的规则信用记分卡
对象,使用表指定。默认情况下,数据
设置为信用记分卡
对象的原始数据。
在创建一个信用记分卡
对象,执行数据准备任务以具有适当的结构数据
作为输入信用记分卡
对象。
数据类型:表格
指定可选的逗号分隔的字符对名称,值
参数。的名字
是参数名和价值
为对应值。的名字
必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家
.
bdata = bindata (sc,‘OutputType’,‘祸’,‘ResponseFormat’,“映射”)
“输出类型”
—输出格式“BinNumber”
(默认)|带值的字符向量“BinNumber”
,“分类”
,“悲哀”
输出格式,指定为逗号分隔对,由“输出类型”
以及具有以下值的字符向量:
箱号
-返回与每个观测值对应的箱子编号。
分类
—返回每个观测值对应的bin标签。
麻烦
-返回每个观察结果对应的证据权重(WOE)。
WOEModelInput
-拟合模型时使用此选项。这个选项:
返回对应于每个观察结果的证据权重(WOE)。
返回预测变量,但不返回IDVar
或者输出中包含未使用的变量。
丢弃其BIN已删除的任何预测值正
或楠
悲哀的价值观。
将映射的响应变量包含为最后一列。
当宾达
名称-值对参数“输出类型”
被设置为“WOEModelInput”
这个bdata
输出只包含与容器中没有的预测器对应的列正
或楠
证据权重(WOE)值,和bdata
将映射的响应包含为最后一列。
缺少的数据(如有)包含在bdata
输出为丢失的数据,且不影响丢弃预测器的规则“输出类型”
被设置为“WOEModelInput”
.
数据类型:字符
“响应格式”
—响应值的格式“RawData”
(默认)|带值的字符向量“RawData”
,“映射”
响应值格式,指定为逗号分隔的对,由“响应格式”
以及具有以下值的字符向量:
RawData
-将响应变量不变地复制到bdata
输出。
映射
-修改响应值(如果需要),以便将“Good”映射到1.
,并将“坏”映射到0
.
数据类型:字符
bdata
- Binned预测变量Binned预测变量,作为表返回。这是一个与数据输入相同大小的表(请参阅下面注释中的例外情况),但只有在信用记分卡
对象的PredictorVars
属性被丢弃,其余属性不变。
当宾达
名称-值对参数“输出类型”
被设置为“WOEModelInput”
这个bdata
输出只包含与容器中没有的预测器对应的列正
或楠
证据权重(WOE)值,和bdata
将映射的响应包含为最后一列。
缺少的数据(如有)包含在bdata
输出为丢失的数据,且不影响丢弃预测器的规则“输出类型”
被设置为“WOEModelInput”
.
[1]安德森,R。信用评分工具包。牛津大学出版社,2007。
[2] Refaat, M。信用风险记分卡:使用SAS开发和实施。lulu.com, 2011。
autobinning
|bininfo
|信用记分卡
|displaypoints
|fitmodel
|格式点
|改装箱
|modifypredictor
|plotbins
|predictorinfo
|probdefault
|分数
|setmodel
|验证模型
您单击了与此MATLAB命令对应的链接:
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。金宝app
你也可以从以下列表中选择一个网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家/地区网站未针对您所在地的访问进行优化。