Fitmodel.
适合逻辑回归模型，以证据重量（WOE）数据
描述
［适合对证据（WOE）数据的重量的逻辑回归模型，并存储模型预测器名称和相应的系数sc，mdl) = fitmodel (sc）creditscorecard对象。Fitmodel.返回更新creditscorecard对象和A.GeneralizedLinearModel包含拟合模型的物体。
Fitmodel.内部将所有预测变量转换为WOE值，使用自动或手动装箱过程中找到的箱子。响应变量被映射为“Good”1，而“坏”就是0．这意味着更高（未划分的）分数对应于更好（较小的风险）个体（较少的默认可能性）。
或者，您可以使用setmodel提供您希望在逻辑回归模型中使用的预测器的名称及其相应的系数。
例子
适合逐步物流模型
创建一个creditscorecard对象使用CreditCardData.mat.文件加载数据(使用Refaat 2011年的数据集)。
负载CreditCardData.sc = creditscorecard(数据,'idvar'，“CustID”）
sc = creditscorecard具有属性：goodlabel：0 responsevar：'status'weightsvar：''varnames：{1x11 cell} numericpredictors：{1x6 cell} cateCoricalpricictors：{'resstatus''empstatus'''其他} binmissingdata：0 idvar：'custid'predictorvars：{1x9 cell}数据：[1200x11表]
执行自动装箱。
sc = autobinning（sc）
sc = creditscorecard具有属性：goodlabel：0 responsevar：'status'weightsvar：''varnames：{1x11 cell} numericpredictors：{1x6 cell} cateCoricalpricictors：{'resstatus''empstatus'''其他} binmissingdata：0 idvar：'custid'predictorvars：{1x9 cell}数据：[1200x11表]
使用Fitmodel.利用证据权重(WOE)数据拟合逻辑回归模型。Fitmodel.内部将所有预测变量转换为WOE值，使用自动装箱过程中找到的箱子。Fitmodel.然后使用逐步方法（默认情况下）拟合逻辑回归模型。
sc = fitmodel (sc);
1.添加询问，偏差= 1490.8527，pvalue = 1.1387992E-08 2.添加TMWBANK，Deviance = 1467.1415，Chi2Stat = 23.711203，Pvalue = 1.1192909E-06 3.添加余距，偏差= 1455.5715，Chi2stat = 11.569967，PValue = 0.00067025601 4. Adding EmpStatus, Deviance = 1447.3451, Chi2Stat = 8.2264038, PValue = 0.0041285257 5. Adding CustAge, Deviance = 1441.994, Chi2Stat = 5.3511754, PValue = 0.020708306 6. Adding ResStatus, Deviance = 1437.8756, Chi2Stat = 4.118404, PValue = 0.042419078 7. Adding OtherCC, Deviance = 1433.707, Chi2Stat = 4.1686018, PValue = 0.041179769 Generalized linear regression model: status ~ [Linear formula with 8 terms in 7 predictors] Distribution = Binomial Estimated Coefficients: Estimate SE tStat pValue ________ ________ ______ __________ (Intercept) 0.70239 0.064001 10.975 5.0538e-28 CustAge 0.60833 0.24932 2.44 0.014687 ResStatus 1.377 0.65272 2.1097 0.034888 EmpStatus 0.88565 0.293 3.0227 0.0025055 CustIncome 0.70164 0.21844 3.2121 0.0013179 TmWBank 1.1074 0.23271 4.7589 1.9464e-06 OtherCC 1.0883 0.52912 2.0569 0.039696 AMBalance 1.045 0.32214 3.2439 0.0011792 1200 observations, 1192 error degrees of freedom Dispersion: 1 Chi^2-statistic vs. constant model: 89.7, p-value = 1.4e-16
为包含权重的信用记分卡对象拟合逐步Logistic模型
使用CreditCardData.mat.载入数据的文件(dataWeights)，包含列(RowWeights)的权重(使用Refaat 2011年的数据集)。
负载CreditCardData.
创建一个creditscorecard对象的可选名称-值对参数'teachsvar'．
sc = creditscorecard (dataWeights,'idvar'，“CustID”，'teachsvar'，“RowWeights”）
sc = creditscorecard with properties: GoodLabel: 0 ResponseVar: 'status' WeightsVar: 'RowWeights' VarNames: {1x12 cell} NumericPredictors: {1x6 cell} CategoricalPredictors: {` ResStatus ` EmpStatus ` OtherCC `} BinMissingData: 0 IDVar: 'CustID' PredictorVars: {1x9 cell} Data: [1200x12 table]
执行自动装箱。
sc = autobinning（sc）
sc = creditscorecard with properties: GoodLabel: 0 ResponseVar: 'status' WeightsVar: 'RowWeights' VarNames: {1x12 cell} NumericPredictors: {1x6 cell} CategoricalPredictors: {` ResStatus ` EmpStatus ` OtherCC `} BinMissingData: 0 IDVar: 'CustID' PredictorVars: {1x9 cell} Data: [1200x12 table]
使用Fitmodel.利用证据权重(WOE)数据拟合逻辑回归模型。Fitmodel.内部将所有预测变量转换为WOE值，使用自动装箱过程中找到的箱子。Fitmodel.然后使用逐步方法（默认情况下）拟合逻辑回归模型。当可选的名称值对参数时'teachsvar'用于指定观察(样本)权重，mdl输出使用加权计数stepwiseglm和fitglm．
(sc, mdl) = fitmodel (sc);
1.添加询问，偏差= 764.3187，Pvalue = 6.968927E-05 2.添加TMWBANK，偏差= 751.0215，PVALUE = 13.29726，PVALUE = 0.0002657942 3.添加余量，偏差= 743.7581，CHI2STAT = 7.263384，PValue =0.007037455广义线性回归模型：Logit（状态）〜1 + Custincome + TMWBank +伏重分布=二项式估计系数：估计SE Tstat Pvalue ________ _____________________________________（拦截）0.7064 1.6653E-15询问1.0268 0.25758 3.9862 6.7132O-05TMWBANK 1.0973 0.31294 3.5063 0.0004543余距1.0039 0.37576 2.6717 0.37576 2.6717 0.0075464 1200观察结果，1196误差自由度分散：1 Chi ^ 2统计与常数型号：36.4，P值= 6.22E-08
用所有预测器拟合Logistic模型
创建一个creditscorecard对象使用CreditCardData.mat.文件加载数据(使用Refaat 2011年的数据集)。
负载CreditCardData.sc = creditscorecard(数据,'idvar'，“CustID”）
sc = creditscorecard具有属性：goodlabel：0 responsevar：'status'weightsvar：''varnames：{1x11 cell} numericpredictors：{1x6 cell} cateCoricalpricictors：{'resstatus''empstatus'''其他} binmissingdata：0 idvar：'custid'predictorvars：{1x9 cell}数据：[1200x11表]
执行自动装箱。
sc = autobinning（sc，'算法'，'平等频繁'）
sc = creditscorecard具有属性：goodlabel：0 responsevar：'status'weightsvar：''varnames：{1x11 cell} numericpredictors：{1x6 cell} cateCoricalpricictors：{'resstatus''empstatus'''其他} binmissingdata：0 idvar：'custid'predictorvars：{1x9 cell}数据：[1200x11表]
使用Fitmodel.利用证据权重(WOE)数据拟合逻辑回归模型。Fitmodel.内部将所有预测变量转换为WOE值，使用自动装箱过程中找到的箱子。设置变形的名称-值对参数ullmodel.指定所有预测因子必须包含在拟合的逻辑回归模型中。
sc = fitmodel (sc,“VariableSelection”，“FullModel”）;
[9个线性预测式，用10项]发行=二项式估计系数状态〜：：估计SE TSTAT p值________ _______ _________（截距）0.70262 0.063862 11.002 3.734e-28 CustAge 0.57683 0.27064 2.1313 0.033062 TmAtAddress 1.0653 0.55233 1.9287广义线性回归模型0.053762 ResStatus 1.4189 0.65162 2.1775 0.029441 EmpStatus 0.89916 0.29217 3.0776 0.002087 CustIncome 0.77506 0.21942 3.5323 0.0004119 TmWBank 1.0826 0.26583 4.0727 4.648e-05 OtherCC 1.1354 0.52827 2.1493 0.031612 AMBalance 0.99315 0.32642 3.0425 0.0023459 UtilRate 0.16723 0.55745 0.29999 0.76419 1200观察，1190个错误自由度分散体：1Chi ^ 2统计与常数型号：85.6，p值= 1.25e-14
适合A.逐步逻辑模型什么时候使用缺失的数据
创建一个creditscorecard对象使用CreditCardData.mat.文件加载dataMissing用缺失值。
负载CreditCardData.mat.头(dataMissing, 5)
ans =.5×11表的CustID CustAge TmAtAddress ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance UtilRate状态______ _______ ___________ ___________ _________ __________ _______ _______ _________ ________ ______ 1 53 62 <未定义>未知50000 55是1055.9 0.22 0 2 61 22家庭业主雇员52000 25是1161.6 0.24 0 3 47 30租户雇用37000 61否877.23 0.29 0 4纳米75家雇主采用53000 20是157.37 0.08 0 5 68 56家主人使用53000 14是561.84 0.11 0
流('行数：％d \ n'、高度(dataMissing))
行数：1200
流('缺少值的数量CustAge: %d\n'总和(ismissing (dataMissing.CustAge)))
缺失值的数量CustAge: 30
流('缺失值的数量Resstatus：％d \ n'总和(ismissing (dataMissing.ResStatus)))
缺少值的数量ResStatus: 40
使用creditscorecard使用名称值参数“BinMissingData”设置为真正的将丢失的数字或分类数据放入单独的容器中。
sc = creditscorecard (dataMissing,'idvar'，“CustID”，“BinMissingData”,真正的);sc = autobinning (sc);disp (sc)
creditscorecard具有属性：goodlabel：0 responsevar：'status'weightsvar：''varnames：{1x11 cell} numericpredictors：{1x6 cell} cateCoricalpricictors：{'resstatus''empstatus''overcc'} binmissingdata：1 idvar：'custid'predictorvars：{1x9 cell}数据：[1200x11表]
显示和标绘箱子信息的数字数据“守护”这包括丢失的数据放在一个单独的标有标签的箱子里<缺失>．
(bi, cp) = bininfo (sc,“守护”）;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{'总计'}803 397 2.0227 NaN 0.087112 . jpg (72.54 kb，下载次数:0
plotbins (sc,“守护”）
显示和绘制分类数据的箱子信息“ResStatus”这包括丢失的数据放在一个单独的标有标签的箱子里<缺失>．
(bi, cg) = bininfo (sc,“ResStatus”）;disp (bi)
Bin Good Bad Odds WOE InfoValue ______________ _____________ _________ __________ {'Tenant'} 296 161 1.885 -0.095463 0.0035249 {'Home Owner'} 352 171 2.0585 0.017549 0.00013382 {'Other'} 128 52 2.4615 0.19637 0.0055808 {''} 27 13 2.0769 0.026469 2.3248e-05{'总计'}803 397 2.0227 NaN 0.0092627
plotbins (sc,“ResStatus”）
使用Fitmodel.利用证据权重(WOE)数据拟合逻辑回归模型。Fitmodel.内部将所有预测变量转换为WOE值，使用自动装箱过程中找到的箱子。Fitmodel.然后使用逐步方法（默认情况下）拟合逻辑回归模型。对于具有缺失数据的预测器，有一个明确的<缺失>bin，并从数据中计算出相应的WOE值。当使用Fitmodel.，在执行WOE转换时应用<缺失>箱的相应WOE值。例如，客户年龄的缺失值（保管）被替换为-0.15787.哪个是<缺失>本的保管预测。然而,当“BinMissingData”是假的，缺少价值保管仍为失踪(南)。
(sc, mdl) = fitmodel (sc);
1.添加询问，偏差= 1490.8527，pvalue = 1.1387992E-08 2.添加TMWBANK，Deviance = 1467.1415，Chi2Stat = 23.711203，Pvalue = 1.1192909E-06 3.添加余距，偏差= 1455.5715，Chi2stat = 11.569967，PValue = 0.00067025601 4. Adding EmpStatus, Deviance = 1447.3451, Chi2Stat = 8.2264038, PValue = 0.0041285257 5. Adding CustAge, Deviance = 1442.8477, Chi2Stat = 4.4974731, PValue = 0.033944979 6. Adding ResStatus, Deviance = 1438.9783, Chi2Stat = 3.86941, PValue = 0.049173805 7. Adding OtherCC, Deviance = 1434.9751, Chi2Stat = 4.0031966, PValue = 0.045414057 Generalized linear regression model: status ~ [Linear formula with 8 terms in 7 predictors] Distribution = Binomial Estimated Coefficients: Estimate SE tStat pValue ________ ________ ______ __________ (Intercept) 0.70229 0.063959 10.98 4.7498e-28 CustAge 0.57421 0.25708 2.2335 0.025513 ResStatus 1.3629 0.66952 2.0356 0.04179 EmpStatus 0.88373 0.2929 3.0172 0.002551 CustIncome 0.73535 0.2159 3.406 0.00065929 TmWBank 1.1065 0.23267 4.7556 1.9783e-06 OtherCC 1.0648 0.52826 2.0156 0.043841 AMBalance 1.0446 0.32197 3.2443 0.0011775 1200 observations, 1192 error degrees of freedom Dispersion: 1 Chi^2-statistic vs. constant model: 88.5, p-value = 2.55e-16
输入参数
输出参数
更多关于
参考
[1]安德森,R。信用评分工具包。牛津大学出版社，2007年。
[2] Refaat, M。信用风险记分卡：使用SAS开发和实现。lulu.com, 2011。
另请参阅
GeneralizedLinearModel|autobinning.|bindata|宾FO.|creditscorecard|displaypoints|fitConstrainedModel|fitglm|formatpoints|modifybins|modifypredictor.|绘图赛|predictorinfo|probdefault.|分数|setmodel|stepwiseglm|validatemodel
主题
介绍了R2014b
你也可以从以下列表中选择一个网站:
