有关开发信用记分卡的工作流的信息,请参见信用记分卡建模工作流.
creditscorecard |
创造creditscorecard 对象来构建信用记分卡模型 |
autobinning |
对给定的预测器执行自动分类 |
宾FO. |
返回预测器的箱子信息 |
predictorinfo |
信用记分卡预测器属性摘要 |
fillmissing |
替换信用记分卡预测器的缺失值 |
modifybins |
修改预测的垃圾箱 |
modifypredictor |
设置信用记分卡预测器的属性 |
bindata |
Binned Predictor变量 |
plotbins |
预测变量的直方图计数 |
Fitmodel. |
用logistic回归模型拟合证据权重(WOE)数据 |
FitConstromedModel. |
适合逻辑回归模型,以对模型系数的约束进行限制的证据重量(WOE)数据 |
setmodel |
设置模型预测器和系数 |
displaypoints |
每个垃圾箱的每个预测值返回点 |
formatpoints |
格式记分卡点和缩放 |
分数 |
计算给定数据的信用评分 |
probdefault. |
给定数据集的默认可能性 |
validatemodel |
验证信用记分卡模型的质量 |
紧凑的 |
创建紧凑型信用记分卡 |
功能筛选与屏幕预测器(风险管理工具箱)
这个例子展示了如何使用预测器进行筛选screenpredictors
(风险管理工具箱)。
创建creditscorecard
对象、装箱数据、显示和绘制已装箱数据信息。
计算a的得分creditscorecard
对象与约束的相等,不相等,或边界上的系数的逻辑回归模型,使用FitConstromedModel.
.
此示例显示了在使用时处理缺失值的可选工作流creditscorecard
对象。
用Logistic回归和决策树比较信用评分(风险管理工具箱)
这个示例展示了创建和比较两个信用评分模型的工作流:一个基于逻辑回归的信用评分模型和一个基于决策树的信用评分模型。
对信用记分卡使用拒绝推理技术(风险管理工具箱)
该示例演示了拒绝推理的硬截止和模糊增强方法。
这个例子展示了如何构建一个自动信用评级工具。
compactCreditScorecard对象的工作流(风险管理工具箱)
控件创建的工作流compactCreditScorecard
对象从一个creditscorecard
目的。
这个例子展示了如何使用k-最近邻(kNN)算法在信用记分卡工作流中执行缺失数据的imputation。
这个例子展示了如何使用随机森林算法在信用记分卡工作流中执行缺失数据的imputation。
使用MATLAB®fillmissing处理信用记分卡工作流中的缺失数据
这个例子展示了一个工作流来收集缺失的数据,手动处理训练数据,开发一个新的creditscorecard
,并在使用MATLAB®进行评分之前处理新数据fillmissing
.
使用信用记分卡工作流程创建,型号和分析信用记分卡。
信用评分的目标是按信誉值得的借款人排名借款人。
在信用记分卡工作流中使用观察权重来创建、建模和分析信用记分卡。
使用creditscorecard
模型。