creditscorecard

创建creditscorecard对象构建信用计分卡模型

扩展所有的页面

描述

建立一个信用计分卡模型通过创建一个creditscorecard对象和表中指定输入数据的格式。

在创建一个creditscorecard对象,您可以使用相关的对象功能本数据和执行逻辑回归分析,开发信用计分卡模型来指导信贷决策。这个工作流展示如何开发一个信用计分卡模型。

使用screenpredictors(风险管理工具箱)从风险管理工具箱™削减可能很大的一组预测的一个子集,是信用评分卡的最有预测力的响应变量。创建时使用这个预测的子集creditscorecard对象。
创建一个creditscorecard对象(如创建creditscorecard和属性)。
本的数据使用autobinning。
使用逻辑回归模型fitmodel或fitConstrainedModel。
审查和格式使用信用计分卡点displaypoints和formatpoints。工作流在这一点上,如果你有一个许可风险管理工具箱,您可以选择创建一个compactCreditScorecard对象(csc)使用紧凑的函数。然后,您可以使用以下功能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)从风险管理的工具箱csc对象。
分数的数据使用分数。
计算违约概率数据使用probdefault。
验证的质量信用计分卡模型使用validatemodel。

更详细的信息在这个工作流,看到信用计分卡建模工作流程。

创建

语法

sc = creditscorecard(数据)

sc = creditscorecard (___、名称、值)

描述

例子

sc= creditscorecard (数据)创建一个creditscorecard通过指定对象数据。信用计分卡模型,作为一个返回creditscorecard对象,包含装箱地图或规则(减少点或类别分组)一个或多个预测。

例子

sc= creditscorecard (___,名称,值)集属性使用名称-值对和任何的参数在前面的语法。例如,sc = creditscorecard(数据,“GoodLabel”, 0,‘IDVar’,‘CustID’,‘ResponseVar’,‘身份’,‘PredictorVars’, {‘CustAge’,‘CustIncome},‘WeightsVar’,‘RowWeights’,‘BinMissingData’,真的)。您可以指定多个名称-值对。

请注意

使用观察(样品)权重在信用计分卡工作流,当创建一个creditscorecard对象,您必须使用可选的名称-值对WeightsVar来定义哪些列数据包含权重。

输入参数

全部展开

`数据`- - - - - -数据`creditscorecard`对象
表

数据creditscorecard对象,指定为一个MATLAB^®表,每一列的数据可以是任何一种数据类型:

数字
逻辑
单元阵列的特征向量
字符数组
分类
字符串

此外,表必须包含一个二进制响应变量。在创建一个creditscorecard对象,执行一个适当的结构化数据准备的任务数据作为输入,creditscorecard对象。的数据输入设置数据财产。

数据类型:表

名称-值参数

指定可选的双参数作为Name1 = Value1,…,以=家,在那里的名字参数名称和吗价值相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。

R2021a之前,用逗号来分隔每一个名称和值,并附上的名字在报价。

例子:sc = creditscorecard(数据,“GoodLabel”, 0,‘IDVar’,‘CustAge’,‘ResponseVar’,‘身份’,‘PredictorVars’, {‘CustID’,‘CustIncome},‘WeightsVar’,‘RowWeights’,‘BinMissingData’,真的)

`GoodLabel`- - - - - -在响应变量指标的两种可能的值对应于“好”的观察
设置为响应值最高的计数(默认)|特征向量|数字标量|逻辑

指标的两个可能的值的响应变量对应于“好”观察,指定为逗号分隔组成的“GoodLabel”和一个数字标量、逻辑或特征向量。的GoodLabel名称-值对参数设置GoodLabel财产。

当指定GoodLabel,遵循这些指导方针。

如果响应变量是……	`GoodLabel`必须……
数字	数字
逻辑	逻辑或数字
单元阵列的特征向量	特征向量
字符数组	特征向量
分类	特征向量

如果不指定,GoodLabel设置为响应值最高的计数。然而,如果可选的WeightsVar参数是在创建提供creditscorecard对象,然后用加权频率计数所取代。有关更多信息,请参见信用计分卡建模使用观察权重。

GoodLabel只能在创建creditscorecard对象。该参数不能使用点符号。

数据类型:字符|双

`IDVar`- - - - - -变量名作为ID或标记的观察
空的特征向量`”`(默认)|特征向量

变量名作为ID或标记观察,指定为逗号分隔组成的“IDVar”和一个特征向量。的IDVar数据可能是一个序数(例如,1、2、3…),一个社会安全号码。这是为了方便把这一列从提供的预测变量。IDVar是区分大小写的。的IDVar名称-值对参数设置IDVar财产。

你可以设置这个可选参数使用creditscorecard函数或通过使用点符号在命令行,如下所示。

例子:sc.IDVar = ' CustID '

数据类型:字符

`ResponseVar`- - - - - -响应变量名称为“好”或“坏”的指标
最后一列的数据输入(默认)|特征向量

响应变量名称为“好”或“坏”指标,指定为逗号分隔组成的“ResponseVar”和一个特征向量。响应变量必须二进制数据。的ResponseVar名称-值对参数设置ResponseVar财产。

如果不指定,ResponseVar将数据输入的最后一列。ResponseVar只能在创建creditscorecard对象使用creditscorecard函数。ResponseVar是区分大小写的。

数据类型:字符

`WeightsVar`- - - - - -权重变量名
空的特征向量`”`(默认)|特征向量

权重变量名称,指定为逗号分隔组成的“WeightsVar”和一个字符列名的向量来表示数据表包含行权。WeightsVar是区分大小写的。的WeightsVar名称-值对参数设置WeightsVar属性,该属性只能创建一个creditscorecard对象。如果名称-值对的论点WeightsVar没有指定在创建creditscorecard对象,然后观察权重设置为默认单位重量。

的WeightsVar信用计分卡工作流中使用的值autobinning,bininfo,fitmodel,validatemodel。有关更多信息,请参见信用计分卡建模使用观察权重。

数据类型:字符

`BinMissingData`- - - - - -表明如果缺失的数据删除或显示在一个单独的垃圾箱
`假`(缺失的数据删除)(默认)|逻辑与价值`真正的`或`假`

表明如果缺失的数据删除或显示在一个单独的箱子,指定为逗号分隔组成的“BinMissingdata”和逻辑标量值真正的或假。如果BinMissingData是真正的缺失的数据,预测是显示在一个单独的标签<失踪>。

数据类型:逻辑

属性

全部展开

`数据`- - - - - -用于创建数据`creditscorecard`对象
表

用于创建数据creditscorecard当创建一个对象,指定为一张桌子creditscorecard对象。在数据属性,分类预测被存储为分类数组。

例子:sc.Data (1:10,:)

数据类型:表

`IDVar`- - - - - -变量的名称作为ID或标记的观察
空的特征向量`”`(默认)|特征向量

变量的名称作为ID或标记的观察,指定为一个特征向量。这个属性可以设置为一个可选参数创建一个creditscorecard对象或在命令行上使用点符号。IDVar是区分大小写的。

例子:sc.IDVar = ' CustID '

数据类型:字符

`VarNames`- - - - - -所有数据输入变量名
`VarNames`直接来自数据输入`creditscorecard`对象(默认)

这个属性是只读的。

VarNames是一个单元阵列特征向量的数据中包含了所有变量的名称。的VarNames直接来自数据的输入creditscorecard对象。VarNames是区分大小写的。

数据类型:细胞

`ResponseVar`- - - - - -响应变量的名称,“好”或“坏”的指标
最后一列的数据输入(默认)|特征向量

响应变量的名称,“好”或“坏”指标,指定为一个特征向量。响应变量必须二进制数据。如果不指定,ResponseVar将数据输入的最后一列。这个属性只能设置一个可选参数创建一个creditscorecard对象。ResponseVar是区分大小写的。

数据类型:字符

`WeightsVar`- - - - - -变量的名称作为权重的ID或标签
空的特征向量`”`(默认)|特征向量

变量的名称作为ID或标签指示中列名数据表包含行权值,指定为一个特征向量。这个属性可以设置为一个可选参数(WeightsVar当创建一个creditscorecard对象。WeightsVar是区分大小写的。

数据类型:字符

`GoodLabel`- - - - - -指标的两个可能的值的响应变量对应于“好”的观察
设置为响应值最高的计数(默认)|特征向量|数字标量|逻辑

指标的两个可能的值的响应变量对应于“好”的观察。当指定GoodLabel遵循这些指导方针:

如果响应变量是……	`GoodLabel`必须:
数字	数字
逻辑	逻辑或数字
单元阵列的特征向量	特征向量
字符数组	特征向量
分类	特征向量

如果不指定,GoodLabel设置为响应值最高的计数。这个属性只能设置一个可选参数创建一个creditscorecard对象。该属性不能使用点符号。

数据类型:字符|双

`PredictorVars`- - - - - -预测变量的名字
组之间的差异`VarNames`和`{IDVar`,`ResponseVar}`(默认)|单元阵列特征向量包含名称

预测变量名称,使用特征向量的单元阵列包含指定名称。默认情况下,当您创建一个creditscorecard对象,所有变量的预测只有IDVar和ResponseVar。这个属性可以修改使用一个名称-值对的理由fitmodel函数或通过使用点符号。PredictorVars是区分大小写的,预测变量的名字不能一样IDVar或ResponseVar。

例子:sc.PredictorVars = {‘CustID’,‘CustIncome}

数据类型:细胞

`NumericPredictors`- - - - - -数值预测的名字
空的特征向量`”`(默认)|特征向量

数值预测,名称指定为一个特征向量。该属性不能通过使用点符号在命令行设置。它只能修改使用modifypredictor函数。

数据类型:字符

`CategoricalPredictors`- - - - - -的名称分类预测
空的特征向量`”`(默认)|特征向量

分类预测,指定为一个特征向量。该属性不能通过使用点符号在命令行设置。它只能修改使用modifypredictor函数。

数据类型:字符

`BinMissingData`- - - - - -表明如果缺失的数据删除或显示在一个单独的垃圾箱
`假`(缺失的数据删除)(默认)|逻辑与价值`真正的`或`假`

表明如果缺失的数据删除或显示在一个单独的箱子,指定为逗号分隔组成的“BinMissingdata”和逻辑标量值真正的或假。如果BinMissingData是真正的缺失的数据,预测是显示在一个单独的标签<失踪>。处理缺失数据的更多信息,请参阅信用计分卡建模用缺失值。

数据类型:逻辑

`creditscorecard`财产	在命令行中使用设置/修改属性`creditscorecard`函数	修改属性使用点符号	财产不是内部定义的定义和价值
`数据`	没有	没有	是的,副本`数据`输入
`IDVar`	是的	是的	没有,但是这个用户指定
`VarNames`	没有	没有	是的
`ResponseVar`	是的	没有	如果不指定,将最后一列`数据`输入
`WeightsVar`	没有	没有	是的
`GoodLabel`	是的	没有	如果不指定,与最高计数设置为响应值
`PredictorVars`	是的(也可以修改使用`fitmodel`函数)	是的	是的,但是用户可以修改
`NumericPredictors`	没有(只能修改使用`modifypredictor`函数)	没有	是的,但是用户可以修改
`CategoricalPredictors`	没有(只能修改使用`modifypredictor`函数)	没有	是的,但是用户可以修改
`BinMissingData`	是的	没有	假在默认情况下,但是用户可以修改

对象的功能

`autobinning`	执行自动装箱的预测因子
`bininfo`	返回的信息预测的垃圾箱
`predictorinfo`	摘要信用计分卡预测属性
`modifypredictor`	设置属性的信用计分卡预测
`fillmissing`	信用计分卡取代缺失值预测
`modifybins`	修改预测的垃圾箱
`bindata`	被预测变量
`plotbins`	绘制直方图统计的预测变量
`fitmodel`	符合逻辑回归模型的重量(悲哀)数据证据
`fitConstrainedModel`	符合逻辑回归模型的证据(悲哀)数据受约束模型系数
`setmodel`	设置模型预测和系数
`displaypoints`	返回点/预测/ bin
`formatpoints`	格式计分卡点和可伸缩性
`分数`	为给定数据计算信用评分
`probdefault`	违约的可能性对于给定数据集
`validatemodel`	质量信用计分卡模型进行验证
`紧凑的`	创建契约信用计分卡

例子

全部折叠

创建一个`creditscorecard`对象

打开生活的脚本

创建一个creditscorecard对象使用CreditCardData.mat文件加载数据(使用一个数据集从Refaat 2011)。

负载CreditCardDatasc = creditscorecard(数据)

sc = creditscorecard属性:GoodLabel: 0 ResponseVar:“地位”WeightsVar:“VarNames: {CustID的‘CustAge’‘TmAtAddress’‘ResStatus’‘EmpStatus’‘CustIncome’‘TmWBank’‘OtherCC’‘AMBalance UtilRate的“地位”}NumericPredictors: {CustID的‘CustAge’‘TmAtAddress’‘CustIncome’‘TmWBank’‘AMBalance’‘UtilRate} CategoricalPredictors: {“ResStatus”“EmpStatus”“OtherCC”} BinMissingData: 0 IDVar:“PredictorVars: {CustID的‘CustAge’‘TmAtAddress’‘ResStatus’‘EmpStatus’‘CustIncome’‘TmWBank’‘OtherCC’‘AMBalance’‘UtilRate}数据:[1200 x11表)

创建一个`creditscorecard`对象包含权重

这个示例使用:

打开生活的脚本

使用CreditCardData.mat文件加载数据(dataWeights),其中包含一个列(RowWeights)的权重(使用数据集从Refaat 2011)。

负载CreditCardData

创建一个creditscorecard使用可选的对象名称-值对的理由“WeightsVar”。

sc = creditscorecard (dataWeights,“WeightsVar”,“RowWeights”)

sc = creditscorecard属性:GoodLabel: 0 ResponseVar:“地位”WeightsVar:“RowWeights”VarNames: {CustID的‘CustAge’‘TmAtAddress’‘ResStatus’‘EmpStatus’‘CustIncome’‘TmWBank’‘OtherCC’‘AMBalance’‘UtilRate RowWeights的“地位”}NumericPredictors: {CustID的‘CustAge’‘TmAtAddress’‘CustIncome’‘TmWBank’‘AMBalance’‘UtilRate} CategoricalPredictors: {“ResStatus”“EmpStatus”“OtherCC”} BinMissingData: 0 IDVar:“PredictorVars: {CustID的‘CustAge’‘TmAtAddress’‘ResStatus’‘EmpStatus’‘CustIncome’‘TmWBank’‘OtherCC’‘AMBalance’‘UtilRate}数据:[1200 x12表)

显示`creditscorecard`对象属性

打开生活的脚本

创建一个creditscorecard对象使用CreditCardData.mat文件加载数据(使用一个数据集从Refaat 2011)。

负载CreditCardDatasc = creditscorecard(数据)

sc = creditscorecard属性:GoodLabel: 0 ResponseVar:“地位”WeightsVar:“VarNames: {CustID的‘CustAge’‘TmAtAddress’‘ResStatus’‘EmpStatus’‘CustIncome’‘TmWBank’‘OtherCC’‘AMBalance UtilRate的“地位”}NumericPredictors: {CustID的‘CustAge’‘TmAtAddress’‘CustIncome’‘TmWBank’‘AMBalance’‘UtilRate} CategoricalPredictors: {“ResStatus”“EmpStatus”“OtherCC”} BinMissingData: 0 IDVar:“PredictorVars: {CustID的‘CustAge’‘TmAtAddress’‘ResStatus’‘EmpStatus’‘CustIncome’‘TmWBank’‘OtherCC’‘AMBalance’‘UtilRate}数据:[1200 x11表)

来显示creditscorecard对象属性,使用点符号。

sc.PredictorVars

ans =1 x10单元格{CustID的}{‘CustAge} {‘TmAtAddress} {‘ResStatus} {‘EmpStatus} {‘CustIncome} {‘TmWBank} {‘OtherCC} {‘AMBalance} {' UtilRate '}

sc.VarNames

ans =1 x11单元格{CustID的}{‘CustAge} {‘TmAtAddress} {‘ResStatus} {‘EmpStatus} {‘CustIncome} {‘TmWBank} {‘OtherCC} {‘AMBalance} {‘UtilRate}{}“身份”

改变一个属性值`creditscorecard`对象

打开生活的脚本

创建一个creditscorecard对象使用CreditCardData.mat文件加载数据(使用一个数据集从Refaat 2011)。

负载CreditCardDatasc = creditscorecard(数据)

sc = creditscorecard属性:GoodLabel: 0 ResponseVar:“地位”WeightsVar:“VarNames: {CustID的‘CustAge’‘TmAtAddress’‘ResStatus’‘EmpStatus’‘CustIncome’‘TmWBank’‘OtherCC’‘AMBalance UtilRate的“地位”}NumericPredictors: {CustID的‘CustAge’‘TmAtAddress’‘CustIncome’‘TmWBank’‘AMBalance’‘UtilRate} CategoricalPredictors: {“ResStatus”“EmpStatus”“OtherCC”} BinMissingData: 0 IDVar:“PredictorVars: {CustID的‘CustAge’‘TmAtAddress’‘ResStatus’‘EmpStatus’‘CustIncome’‘TmWBank’‘OtherCC’‘AMBalance’‘UtilRate}数据:[1200 x11表)

自IDVar属性公共访问,您可以在命令行中改变它的值。

sc.IDVar =“CustID”

sc = creditscorecard属性:GoodLabel: 0 ResponseVar:“地位”WeightsVar:“VarNames: {CustID的‘CustAge’‘TmAtAddress’‘ResStatus’‘EmpStatus’‘CustIncome’‘TmWBank’‘OtherCC’‘AMBalance UtilRate的“地位”}NumericPredictors: {‘CustAge’‘TmAtAddress’‘CustIncome’‘TmWBank’‘AMBalance’‘UtilRate} CategoricalPredictors: {“ResStatus”“EmpStatus”“OtherCC”} BinMissingData: 0 IDVar:“CustID”PredictorVars: {‘CustAge’‘TmAtAddress’‘ResStatus’‘EmpStatus’‘CustIncome’‘TmWBank’‘OtherCC’‘AMBalance’‘UtilRate}数据:[1200 x11表)

创建一个`creditscorecard`对象

打开生活的脚本

创建一个creditscorecard对象使用CreditCardData.mat文件加载数据(使用一个数据集从Refaat 2011)。

负载CreditCardDatasc = creditscorecard(数据)

sc = creditscorecard属性:GoodLabel: 0 ResponseVar:“地位”WeightsVar:“VarNames: {CustID的‘CustAge’‘TmAtAddress’‘ResStatus’‘EmpStatus’‘CustIncome’‘TmWBank’‘OtherCC’‘AMBalance UtilRate的“地位”}NumericPredictors: {CustID的‘CustAge’‘TmAtAddress’‘CustIncome’‘TmWBank’‘AMBalance’‘UtilRate} CategoricalPredictors: {“ResStatus”“EmpStatus”“OtherCC”} BinMissingData: 0 IDVar:“PredictorVars: {CustID的‘CustAge’‘TmAtAddress’‘ResStatus’‘EmpStatus’‘CustIncome’‘TmWBank’‘OtherCC’‘AMBalance’‘UtilRate}数据:[1200 x11表)

在这个例子中,属性的默认值ResponseVar,PredictorVars和GoodLabel当创建这个对象被分配。默认情况下,该财产ResponseVar将变量名,最后一列输入数据(“状态”在本例中)。房地产PredictorVars包含所有的变量的名称VarNames,但不包括IDVar和ResponseVar。另外,在默认情况下在上一个示例中,GoodLabel被设置为0,因为它是反应变量中的值(ResponseVar)最高的计数。

显示creditscorecard对象属性使用点符号。

sc.PredictorVars

ans =1 x10单元格{CustID的}{‘CustAge} {‘TmAtAddress} {‘ResStatus} {‘EmpStatus} {‘CustIncome} {‘TmWBank} {‘OtherCC} {‘AMBalance} {' UtilRate '}

sc.VarNames

ans =1 x11单元格{CustID的}{‘CustAge} {‘TmAtAddress} {‘ResStatus} {‘EmpStatus} {‘CustIncome} {‘TmWBank} {‘OtherCC} {‘AMBalance} {‘UtilRate}{}“身份”

自IDVar和PredictorVars有公共访问,你可以改变他们的价值观在命令行。

sc.IDVar =“CustID”

sc = creditscorecard属性:GoodLabel: 0 ResponseVar:“地位”WeightsVar:“VarNames: {CustID的‘CustAge’‘TmAtAddress’‘ResStatus’‘EmpStatus’‘CustIncome’‘TmWBank’‘OtherCC’‘AMBalance UtilRate的“地位”}NumericPredictors: {‘CustAge’‘TmAtAddress’‘CustIncome’‘TmWBank’‘AMBalance’‘UtilRate} CategoricalPredictors: {“ResStatus”“EmpStatus”“OtherCC”} BinMissingData: 0 IDVar:“CustID”PredictorVars: {‘CustAge’‘TmAtAddress’‘ResStatus’‘EmpStatus’‘CustIncome’‘TmWBank’‘OtherCC’‘AMBalance’‘UtilRate}数据:[1200 x11表)

sc.PredictorVars = {“CustIncome”,“ResStatus”,“AMBalance”}

sc = creditscorecard属性:GoodLabel: 0 ResponseVar:“地位”WeightsVar:“VarNames: {CustID的‘CustAge’‘TmAtAddress’‘ResStatus’‘EmpStatus’‘CustIncome’‘TmWBank’‘OtherCC’‘AMBalance UtilRate的“地位”}NumericPredictors: {“CustIncome”“AMBalance”} CategoricalPredictors: {“ResStatus”} BinMissingData: 0 IDVar:“CustID”PredictorVars: {“ResStatus”“CustIncome”“AMBalance”}数据:[1200 x11表)

disp (sc)

creditscorecard属性:GoodLabel: 0 ResponseVar:“地位”WeightsVar:“VarNames: {CustID的‘CustAge’‘TmAtAddress’‘ResStatus’‘EmpStatus’‘CustIncome’‘TmWBank’‘OtherCC’‘AMBalance UtilRate的“地位”}NumericPredictors: {“CustIncome”“AMBalance”} CategoricalPredictors: {“ResStatus”} BinMissingData: 0 IDVar:“CustID”PredictorVars: {“ResStatus”“CustIncome”“AMBalance”}数据:[1200 x11表)

创建一个`creditscorecard`对象并设置`GoodLabel`和`ResponseVar`

打开生活的脚本

创建一个creditscorecard对象使用CreditCardData.mat文件加载数据(使用一个数据集从Refaat 2011)。然后使用名称-值对的理由creditscorecard定义GoodLabel和ResponseVar。

负载CreditCardDatasc = creditscorecard(数据,“IDVar”,“CustID”,“GoodLabel”0,“ResponseVar”,“状态”)

sc = creditscorecard属性:GoodLabel: 0 ResponseVar:“地位”WeightsVar:“VarNames: {CustID的‘CustAge’‘TmAtAddress’‘ResStatus’‘EmpStatus’‘CustIncome’‘TmWBank’‘OtherCC’‘AMBalance UtilRate的“地位”}NumericPredictors: {‘CustAge’‘TmAtAddress’‘CustIncome’‘TmWBank’‘AMBalance’‘UtilRate} CategoricalPredictors: {“ResStatus”“EmpStatus”“OtherCC”} BinMissingData: 0 IDVar:“CustID”PredictorVars: {‘CustAge’‘TmAtAddress’‘ResStatus’‘EmpStatus’‘CustIncome’‘TmWBank’‘OtherCC’‘AMBalance’‘UtilRate}数据:[1200 x11表)

GoodLabel和ResponseVar只能设置(执行)在创建creditscorecard对象使用creditscorecard。

创建一个`creditscorecard`对象和设置`“BinMissingData”`财产

打开生活的脚本

创建一个creditscorecard对象使用CreditCardData.mat文件加载dataMissing用缺失值。

负载CreditCardData头(dataMissing, 5)

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租户使用37000 61没有877.23 - 0.29 0 4南75业主雇佣了53000 20是的157.37 - 0.08 0 5 68 56家老板雇用了53000名14是的561.84 - 0.11 0

流(“行数:% d \ n”、高度(dataMissing))

的行数:1200

流(“CustAge缺失值的数量:% d \ n '总和(ismissing (dataMissing.CustAge)))

CustAge缺失值的数量:30

流(“ResStatus缺失值的数量:% d \ n '总和(ismissing (dataMissing.ResStatus)))

ResStatus缺失值的数量:40

使用creditscorecard名称-值的参数“BinMissingData”设置为真正的本丢失的数据在一个单独的垃圾箱。

sc = creditscorecard (dataMissing,“IDVar”,“CustID”,“BinMissingData”,真正的);sc = autobinning (sc);disp (sc)

creditscorecard属性:GoodLabel: 0 ResponseVar:“地位”WeightsVar:“VarNames: {CustID的‘CustAge’‘TmAtAddress’‘ResStatus’‘EmpStatus’‘CustIncome’‘TmWBank’‘OtherCC’‘AMBalance UtilRate的“地位”}NumericPredictors: {‘CustAge’‘TmAtAddress’‘CustIncome’‘TmWBank’‘AMBalance’‘UtilRate} CategoricalPredictors: {“ResStatus”“EmpStatus”“OtherCC”} BinMissingData: 1 IDVar:“CustID”PredictorVars: {‘CustAge’‘TmAtAddress’‘ResStatus’‘EmpStatus’‘CustIncome’‘TmWBank’‘OtherCC’‘AMBalance’‘UtilRate}数据:[1200 x11表)

显示本信息为数值型数据“CustAge”包括缺失的数据在一个单独的本标签<失踪>。

bi = bininfo (sc,“CustAge”);disp (bi)

本好与坏的几率,悲哀InfoValue _________________出生______月______ __________{[无穷,33)}69年52 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岁,58)}157 62 2.5323 0.22469 0.0088407{的[58岁的Inf]} 93年25 3.72 0.60931 0.032198{' <失踪>}19 11 1.7273 -0.15787 0.00063885{“总数”}803 397 0.087112 2.0227南

plotbins (sc,“CustAge”)

图包含一个坐标轴对象。坐标轴对象标题CustAge ylabel悲哀包含3对象类型的酒吧,线。这些对象是好的,坏的。

显示本信息为分类数据“ResStatus”包括缺失的数据在一个单独的本标签<失踪>。

bi = bininfo (sc,“ResStatus”);disp (bi)

本好与坏的几率,悲哀出生______ _____ __________ InfoValue * * *{“租户”}296 161 1.8385 -0.095463 0.0035249{‘业主’}352 171 2.0585 0.017549 0.00013382{‘其他’}128年52 2.4615 0.19637 0.0055808{' <失踪>}27 13 2.0769 0.026469 2.3248 e-05{“总数”}803 397 0.0092627 2.0227南

plotbins (sc,“ResStatus”)

图包含一个坐标轴对象。坐标轴对象标题ResStatus ylabel悲哀包含3对象类型的酒吧,线。这些对象是好的,坏的。

引用

[1]安德森,R。信用评分工具包。牛津大学出版社,2007年。

[2]Refaat, M。数据准备使用SAS数据挖掘。2006年摩根考夫曼。

[3]Refaat, M。信用风险记分卡:使用情景应用程序开发和实现。lulu.com, 2011。

版本历史

介绍了R2014b

另请参阅

功能

screenpredictors(风险管理工具箱)|autobinning|modifybins|bindata|bininfo|fillmissing|predictorinfo|modifypredictor|plotbins|fitmodel|fitConstrainedModel|displaypoints|formatpoints|分数|setmodel|validatemodel|probdefault|表

creditscorecard

描述

创建

语法

描述

输入参数

`数据`- - - - - -数据`creditscorecard`对象
表

`GoodLabel`- - - - - -在响应变量指标的两种可能的值对应于“好”的观察
设置为响应值最高的计数(默认)|特征向量|数字标量|逻辑

`IDVar`- - - - - -变量名作为ID或标记的观察
空的特征向量`”`(默认)|特征向量

`ResponseVar`- - - - - -响应变量名称为“好”或“坏”的指标
最后一列的数据输入(默认)|特征向量

`WeightsVar`- - - - - -权重变量名
空的特征向量`”`(默认)|特征向量

`BinMissingData`- - - - - -表明如果缺失的数据删除或显示在一个单独的垃圾箱
`假`(缺失的数据删除)(默认)|逻辑与价值`真正的`或`假`

属性

`数据`- - - - - -用于创建数据`creditscorecard`对象
表

`IDVar`- - - - - -变量的名称作为ID或标记的观察
空的特征向量`”`(默认)|特征向量

`VarNames`- - - - - -所有数据输入变量名
`VarNames`直接来自数据输入`creditscorecard`对象(默认)

`ResponseVar`- - - - - -响应变量的名称,“好”或“坏”的指标
最后一列的数据输入(默认)|特征向量

`WeightsVar`- - - - - -变量的名称作为权重的ID或标签
空的特征向量`”`(默认)|特征向量

`GoodLabel`- - - - - -指标的两个可能的值的响应变量对应于“好”的观察
设置为响应值最高的计数(默认)|特征向量|数字标量|逻辑

`PredictorVars`- - - - - -预测变量的名字
组之间的差异`VarNames`和`{IDVar`,`ResponseVar}`(默认)|单元阵列特征向量包含名称

`NumericPredictors`- - - - - -数值预测的名字
空的特征向量`”`(默认)|特征向量

`CategoricalPredictors`- - - - - -的名称分类预测
空的特征向量`”`(默认)|特征向量

`BinMissingData`- - - - - -表明如果缺失的数据删除或显示在一个单独的垃圾箱
`假`(缺失的数据删除)(默认)|逻辑与价值`真正的`或`假`

对象的功能

例子

创建一个`creditscorecard`对象

创建一个`creditscorecard`对象包含权重

显示`creditscorecard`对象属性

改变一个属性值`creditscorecard`对象

创建一个`creditscorecard`对象

创建一个`creditscorecard`对象并设置`GoodLabel`和`ResponseVar`

创建一个`creditscorecard`对象和设置`“BinMissingData”`财产

引用

版本历史

另请参阅

功能

应用程序

主题

外部网站

creditscorecard

描述

创建

语法

描述

输入参数

数据- - - - - -数据creditscorecard对象表

GoodLabel- - - - - -在响应变量指标的两种可能的值对应于“好”的观察设置为响应值最高的计数(默认)|特征向量|数字标量|逻辑

IDVar- - - - - -变量名作为ID或标记的观察空的特征向量”(默认)|特征向量

ResponseVar- - - - - -响应变量名称为“好”或“坏”的指标最后一列的数据输入(默认)|特征向量

WeightsVar- - - - - -权重变量名空的特征向量”(默认)|特征向量

BinMissingData- - - - - -表明如果缺失的数据删除或显示在一个单独的垃圾箱假(缺失的数据删除)(默认)|逻辑与价值真正的或假

属性

数据- - - - - -用于创建数据creditscorecard对象表

IDVar- - - - - -变量的名称作为ID或标记的观察空的特征向量”(默认)|特征向量

VarNames- - - - - -所有数据输入变量名VarNames直接来自数据输入creditscorecard对象(默认)

ResponseVar- - - - - -响应变量的名称,“好”或“坏”的指标最后一列的数据输入(默认)|特征向量

WeightsVar- - - - - -变量的名称作为权重的ID或标签空的特征向量”(默认)|特征向量

GoodLabel- - - - - -指标的两个可能的值的响应变量对应于“好”的观察设置为响应值最高的计数(默认)|特征向量|数字标量|逻辑

PredictorVars- - - - - -预测变量的名字组之间的差异VarNames和{IDVar,ResponseVar}(默认)|单元阵列特征向量包含名称

NumericPredictors- - - - - -数值预测的名字空的特征向量”(默认)|特征向量

CategoricalPredictors- - - - - -的名称分类预测空的特征向量”(默认)|特征向量

BinMissingData- - - - - -表明如果缺失的数据删除或显示在一个单独的垃圾箱假(缺失的数据删除)(默认)|逻辑与价值真正的或假

对象的功能

例子

创建一个creditscorecard对象

创建一个creditscorecard对象包含权重

显示creditscorecard对象属性

改变一个属性值creditscorecard对象

创建一个creditscorecard对象

创建一个creditscorecard对象并设置GoodLabel和ResponseVar

创建一个creditscorecard对象和设置“BinMissingData”财产

引用

版本历史

另请参阅

功能

应用程序

主题

外部网站

`数据`- - - - - -数据`creditscorecard`对象
表

`GoodLabel`- - - - - -在响应变量指标的两种可能的值对应于“好”的观察
设置为响应值最高的计数(默认)|特征向量|数字标量|逻辑

`IDVar`- - - - - -变量名作为ID或标记的观察
空的特征向量`”`(默认)|特征向量

`ResponseVar`- - - - - -响应变量名称为“好”或“坏”的指标
最后一列的数据输入(默认)|特征向量

`WeightsVar`- - - - - -权重变量名
空的特征向量`”`(默认)|特征向量

`BinMissingData`- - - - - -表明如果缺失的数据删除或显示在一个单独的垃圾箱
`假`(缺失的数据删除)(默认)|逻辑与价值`真正的`或`假`

`数据`- - - - - -用于创建数据`creditscorecard`对象
表

`IDVar`- - - - - -变量的名称作为ID或标记的观察
空的特征向量`”`(默认)|特征向量

`VarNames`- - - - - -所有数据输入变量名
`VarNames`直接来自数据输入`creditscorecard`对象(默认)

`ResponseVar`- - - - - -响应变量的名称,“好”或“坏”的指标
最后一列的数据输入(默认)|特征向量

`WeightsVar`- - - - - -变量的名称作为权重的ID或标签
空的特征向量`”`(默认)|特征向量

`GoodLabel`- - - - - -指标的两个可能的值的响应变量对应于“好”的观察
设置为响应值最高的计数(默认)|特征向量|数字标量|逻辑

`PredictorVars`- - - - - -预测变量的名字
组之间的差异`VarNames`和`{IDVar`,`ResponseVar}`(默认)|单元阵列特征向量包含名称

`NumericPredictors`- - - - - -数值预测的名字
空的特征向量`”`(默认)|特征向量

`CategoricalPredictors`- - - - - -的名称分类预测
空的特征向量`”`(默认)|特征向量

`BinMissingData`- - - - - -表明如果缺失的数据删除或显示在一个单独的垃圾箱
`假`(缺失的数据删除)(默认)|逻辑与价值`真正的`或`假`

创建一个`creditscorecard`对象

创建一个`creditscorecard`对象包含权重

显示`creditscorecard`对象属性

改变一个属性值`creditscorecard`对象

创建一个`creditscorecard`对象

创建一个`creditscorecard`对象并设置`GoodLabel`和`ResponseVar`

创建一个`creditscorecard`对象和设置`“BinMissingData”`财产