宾达

被预测变量

折叠所有页面

语法

bdata = bindata (sc)
bdata = bindata (sc、数据)
bdata=bindata（sc、名称、值）

描述

实例

bdata= bindata (sc)作为表返回的Binned预测变量。这是一个与数据输入相同大小的表，但只有在信用记分卡对象的PredictorVars属性被丢弃，其余属性不变。

实例

bdata= bindata (sc,数据)返回已装箱的预测变量表。宾达的大小相同的表信用记分卡中指定的预测器信用记分卡对象的PredictorVars属性被丢弃，其余属性不变。

实例

bdata= bindata (sc,名称,值)使用可选的名称-值对参数作为表返回的Binned预测器变量。这是一个与数据输入相同大小的表，但只有在信用记分卡对象的PredictorVars属性被丢弃，其余属性不变。

例子

全部折叠

打开生活的脚本

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
打开生活的脚本

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
打开生活的脚本

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 Other  41000 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
打开生活的脚本

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

输入参数

全部折叠

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。

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

名称-值对的观点

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.

例子:bdata = bindata (sc,‘OutputType’,‘祸’,‘ResponseFormat’,“映射”)

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。

    笔记

    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

输出参数

全部折叠

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。

笔记

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”.

参考文献

[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。

另见

|||||||||||||

话题

介绍了R2014b

金融工具的文档
金宝app
用MATLAB建模财务风险的实用指南

用MATLAB建模财务风险的实用指南

下载电子书