主要内容
validatemodel
验证信用记分卡模型的质量
句法
描述
例子
验证信用记分卡模型
创建一个CreditsCorecard.对象使用CreditCardData.mat.文件加载数据（使用来自Refaat 2011的数据集）。
负载CreditCardData.sc = creditscorecard(数据,“IDVar”那“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]
使用默认选项执行自动分箱。默认情况下，autobinning用来单调算法。
sc=自动绕线（sc）；
符合模型。
sc = fitmodel (sc);
1.加上CustIncome, Deviance = 1490.8527, Chi2Stat = 32.588614, PValue = 1.1387992e-08添加TmWBank, Deviance = 1467.1415, Chi2Stat = 23.711203, PValue = 1.1192909e-06添加AMBalance, Deviance = 1455.5715, Chi2Stat = 11.569967, PValue = 0.00067025601增加EmpStatus, Deviance = 1447.3451, Chi2Stat = 8.2264038, PValue = 0.0041285257 5。添加CustAge, Deviance = 1441.994, Chi2Stat = 5.3511754, PValue = 0.020708306添加ResStatus, Deviance = 1437.8756, Chi2Stat = 4.118404, PValue = 0.042419078广义线性回归模型:状态~[7个预测因子中8项的线性公式]分布=二项式估计系数: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 0.039696一种mBalance 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
格式化未划分的点。
sc = formatopoints（sc，“PointsOddsAndPDO”，[500,2,50]）;
得分数据。
分数=分数（sc）；
通过生成帽，ROC和KS图来验证信用记分卡模型。
[stats，t] = validatemodel（sc，'阴谋',{“帽子”那‘中华民国’那'ks'}）;
显示（统计）
测量值{uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu
disp (T (1:15)):
考试分数，考试分数，考试考试分数，考试分数，考试考试分数，考试分数，考试分数，考试分数，考试分数，考试分数，考试考试分数，考试分数，考试分数，考试分数，考试分数，考试分数，考试分数，考试分数，考试分数，考试分数，考试分数，考试分数，词词词词词词词条，词词词词词词条，假假假商品商品，假商品商品，假商品商品商品，假商品商品商品商品，商品商品商品商品敏感度假假假商品，假商品，假商品，假商品商品商品商品敏感度，词词词词词词词词词词词词词词词词词词条，对对对对对对对对对对对对假假假假假假假词词词词词词词词词词词词词词词条，词词词词词词词词词词词词词词条，对对对对对对对对对对对对对对对对对对对假假假假假假假假假假假假假假假假假假_uuuu369.54 0.75313 0 1 802 397 0.0012453 0.00083333 378.19 0.73016 1 802 396 0.0025189 0.0012453 0.0016667 380.28 0.72444 2 1 802 395 0.0050378 0.0012453 0.0025 391.490.69234 3 1 802 394 0.0075567 0.0012453 0.0033333 395.57 0.68017 4 1 802 393 0.010076 0.0012453 0.0041667 396.14 0.67846 4 2 801 393 0.010076 0.0024907 0.005 396.45 0.67752 5 2 801 392 0.012594 0.0024907 0.0058333 398.61 0.67094 6 2 801 391 0.015113 0.0024907 0.0066667 398.68 0.67072 7 2 801 390 0.017632 0.0024907 0.0075 401.33 0.66255 8 2 801 389 0.020151 0.0024907 0.0083333 402.66 0.65842 8 3 800 389 0.020151 0.003736 0.0091667 404.25 0.65346 9 3 800 388 0.02267 0.003736 0.01 404.73 0.65193 9 4 799 388 0.02267 0.0049813 0.010833 405.53 0.64941 11 4 799 386 0.027708 0.0049813 0.0125 405.7 0.64887 11 5 798 386 0.027708 0.0062267 0.013333
验证带有权重的信用卡记分卡模型
使用CreditCardData.mat.文件加载数据（dataWeights）包含列（rowweights.）对于权重（使用来自Refaat 2011的数据集）。
负载CreditCardData.
创建一个CreditsCorecard.使用可选名称值对参数的对象“WeightsVar”．
sc=信用记分卡（数据权重，“IDVar”那“CustID”那“WeightsVar”那“划船重量”）
sc = creditscorecard带有属性：goodlabel：0 responsevar：'status'fightsvar：'Rowweights'varnames：{1x12 Cell} NumericPredictors：{1x6 Cell}分类预测器：{'Resstatus''empStatus''Ottuccc'} BinmissingData：0 IDVAR：'CustId'predictorvars：{1x9 cell}数据：[1200x12表]
执行自动排放。
sc = autobinning（sc）
sc = creditscorecard带有属性：goodlabel：0 responsevar：'status'fightsvar：'Rowweights'varnames：{1x12 Cell} NumericPredictors：{1x6 Cell}分类预测器：{'Resstatus''empStatus''Ottuccc'} BinmissingData：0 IDVAR：'CustId'predictorvars：{1x9 cell}数据：[1200x12表]
符合模型。
sc = fitmodel (sc);
1.加CustIncome, Deviance = 764.3187, Chi2Stat = 15.81927, PValue = 6.968927e-05添加TmWBank, Deviance = 751.0215, Chi2Stat = 13.29726, PValue = 0.0002657942广义线性回归模型:logit(status) ~ 1 + CustIncome + TmWBank + AMBalance Distribution = Binomial Estimated Coefficients:Estimate SE tStat pValue ________ ________ ______ __________ (Intercept) 0.70642 0.088702 7.964 1.6653e-15 CustIncome 1.0268 0.25758 3.9862 6.7132e-05 TmWBank 1.0973 0.31294 3.5063 0.0004543 AMBalance 1.0039 0.37576 2.6717 0.0075464 1200个观测值，1196个误差自由度36.4, p-value = 6.22e-08
格式化未划分的点。
sc = formatopoints（sc，“PointsOddsAndPDO”，[500,2,50]）;
得分数据。
分数=分数（sc）；
通过生成帽，ROC和KS图来验证信用记分卡模型。当可选的名称值对参数时“WeightsVar”用于指定观察（样本）重量，T.表使用加权计数的统计信息、总和和累积总和。
[stats，t] = validatemodel（sc，'阴谋',{“帽子”那‘中华民国’那'ks'}）;
统计数据
统计=4×2表测量值___________________________ {'准确率'} 0.28972 {'roc curve'} 0.64486 {'ks统计'} 0.23215 {'ks得分'} 505.41
T (1:10,:)
ans =.10×9表分数ProbDefault TrueBads FalseBads TrueGoods FalseGoods灵敏度误报警PctObs ______ ___________ ________ _________ _________ __________ ___________ __________ _________ 401.34 0.66253 1.0788 0 411.95 201.95 0.0053135 0 0.0017542 407.59 0.64289 4.8363 1.2768 410.67 198.19 0.023821 0.0030995 0.0099405 413.79 0.62292 6.9469 4.6942 407.25 196.08 0.034216 0.011395 0.018929 420.04 0.60236 18.459 9.3899 402.56184.57 0.090918 0.022794 0.045285 437.27 0.544 18.459 10.514 401.43 184.57 0.090918 0.025523 0.047113 442.83 0.52481 18.973 12.794 399.15 184.06 0.093448 0.031057 0.051655 446.19 0.51319 22.396 14.15 397.8 180.64 0.11031 0.034349 0.059426 449.08 0.50317 24.325 14.405 397.54 178.71 0.11981 0.034968 0.062978 449.73 0.50095 28.246 18.049 393.9 174.78 0.13912 0.043813 0.075279 452.440.49153 31.511 23.565 388.38 171.52 0.1552 0.057204 0.089557
验证信用卡记分卡模型当使用'BinMissingData”选项
此示例描述了丢失数据的分配'binmissingdata'选项设置为真的以及模型验证统计数据的相应计算。
训练集中有缺失数据的预测器有一个显式的容器
< >失踪在最后的记分卡上有相应的分数。这些点数是根据证据权重(WOE)值计算的< >失踪垃圾箱和逻辑模型系数。为了评分目的，这些点被分配给缺少值以及超出范围的值，并且最终得分用于计算模型验证统计数据validatemodel．在培训集中没有缺少数据的预测器没有
< >失踪垃圾箱，因此可以从训练数据估算没有祸患。默认情况下，丢失和超出范围值的点设置为南，这导致得分南跑步时分数．对于没有明确的预测器< >失踪Bin，使用name-value参数'失踪'在里面格式点说明应如何处理缺失数据以进行评分。最后的分数用于计算模型验证统计数据validatemodel．
创建一个CreditsCorecard.对象使用CreditCardData.mat.文件加载数据缺失缺少值。
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
使用CreditsCorecard.使用name-value参数'binmissingdata'设置为真的在单独的箱中禁止缺少的数字或分类数据。涂上自动分箱。
sc=信用记分卡（数据缺失，“IDVar”那“CustID”那'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]
设置最小值为零CustAge和缅因一．有了这个，任何负面年龄或收入信息都无效或“超出范围”。对于默认计算的评分和概率，超出范围的值被赋予与缺失值相同的点。
sc = modifybins (sc,“守护”那'minvalue', 0);sc = modifybins (sc,“缅因”那'minvalue', 0);
显示箱信息以获取数字数据“守护”包括在单独的容器中丢失的数据< >失踪．
bi = bininfo（sc，“守护”); 显示（bi）
本好不好悲哀InfoValue几率 _____________ ____ ___ ______ ________ __________ {'[ 0, 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
显示的分类数据的bin信息'resstatus'包括在单独的容器中丢失的数据< >失踪．
bi = bininfo（sc，'resstatus'); 显示（bi）
垃圾箱好赔率悲伤___________ _______ ______________________________________________________________________________} 27 13 2.0769 0.026469 2.3248E-05 {'总计'} 803 397 2.0227 NaN 0.0092627
为“守护”和'resstatus'预测者，有缺失的数据(南年代和<未定义>）在培训数据中，融合过程估计了一个祸患-0.15787和0.026469分别在这些预测器中缺少数据，如上所示。
为empstatus.和缅因一没有用于缺失值的显式箱，因为培训数据没有缺少这些预测器的值。
bi = bininfo（sc，'empstatus'); 显示（bi）
本好不好悲哀InfoValue几率 ____________ ____ ___ ______ ________ _________ {' 未知的}396 239 1.6569 -0.19947 0.021715{“雇佣”}407 158 2.5759 0.2418 0.026323{“总数”}803 397 0.048038 2.0227南
bi = bininfo（sc，“缅因”); 显示（bi）
宾好差赔率WOE INFOVALUE _________________ ____ ___ _______ _________ __________ { '[0,29000）'} 53 58 0.91379 -0.79457 0.06364 { '[29000,33000）'} 74 49 1.5102 -0.29217 0.0091366 { '[33000,35000）'} 68 36 1.8889 -0.06843 0.00041042 {'[35000,40000）'} 193 98 1.9694 -0.026696 0.00017359 {'[40000,42000）'} 68 34 2 -0.011271 1.0819E-05 {[42000,47000）'} 16466 2.4848 0.20579 0.0078175 { '[47000，天道酬勤]'} 183 56 3.2679 0.47972 0.041657 { '总计'} 803 397 2.0227的NaN 0.12285
使用fitmodel使用证据权重（WOE）数据拟合逻辑回归模型。fitmodel在内部将所有预测变量转换为祸值，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< >失踪bin，并根据数据计算出相应的WOE值。使用时fitmodel，在执行WOE转换时应用<缺失>箱的相应WOE值。
[sc，mdl]=fitmodel（sc）；
1.加上CustIncome, Deviance = 1490.8527, Chi2Stat = 32.588614, PValue = 1.1387992e-08添加TmWBank, Deviance = 1467.1415, Chi2Stat = 23.711203, PValue = 1.1192909e-06添加AMBalance, Deviance = 1455.5715, Chi2Stat = 11.569967, PValue = 0.00067025601增加EmpStatus, Deviance = 1447.3451, Chi2Stat = 8.2264038, PValue = 0.0041285257 5。加CustAge, Deviance = 1442.8477, Chi2Stat = 4.4974731, PValue = 0.033944979添加ResStatus, Deviance = 1438.9783, Chi2Stat = 3.86941, PValue = 0.049173805广义线性回归模型:status ~[7个预测因子中8项的线性公式]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 0.043841一种mBalance 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
使用“点，赔率，指向赔率（PDO）”方法缩放记分卡点数“PointsOddsAndPDO”争论格式点．假设你想要获得500分的概率是2(好的概率是坏的概率的两倍)，概率每50分翻一倍(所以550分的概率是4)。
显示显示在拟合模型中保留的预测器按比例缩放的点数的记分卡。
sc = formatopoints（sc，“PointsOddsAndPDO”，[500 2 50]）;diotninfo = displaypoints（sc）
PointsInfo =38×3表预测器垃圾桶点_____________ __________________________________________________________________________________________________________________________________________________________60.012 {'守护者'} {'[40,46）'} 69.636 {'守护者'{'[46,48）'} 77.912 {'守护者'} 78.86 {'监护人'} {'[51,58）'} 80.83 {'catere'} {'[58，inf]'} 96.76 {'custage'} {'<缺失>'} 64.984 {'Resstatus'} {'租户'} 62.138{'Resstatus'} {'归属主人'} 73.248 {'Resstatus'} {'其他'} 90.828 {'resstatus'} {'<缺少>'} 74.125 {'empstatus'} {'未知'} 58.807 {'empstatus'} {'雇用'} 86.937 {'empstatus'} {'<缺少>'} nan⋮
注意这个点< >失踪垃圾箱CustAge和resstatus明确显示（如64.9836和74.1250分别)。这些点是根据该地区的WOE值计算出来的< >失踪和logistic模型系数。
对于训练集中没有缺失数据的预测器，没有显式的< >失踪垃圾箱。默认情况下，该点设置为南因为缺少数据，他们会得到分数南跑步时分数．对于没有明确的预测器< >失踪Bin，使用name-value参数'失踪'在里面格式点表示如何处理缺少数据以获得评分目的。
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。还引入了一些无效或超出范围的值。对于数字数据，低于允许的最小值（或高于最大值）的值被视为无效，例如年龄为负值（回忆）'minvalue'之前设置为0CustAge和缅因一）.对于分类数据，无效值是在记分卡中未明确包含的类别，例如，未以前映射到记分卡类别的住宅状态，例如“House”，或诸如“ABC123”之类的无意义的字符串。
这是一个非常小的验证数据集，只用于说明具有缺失和超出范围值的行的评分，以及与模型验证的关系。
tdata = datamissing（11：18，mdl.predictornames）;%只保留模型中的预测器tdata.status = datamissing.status（11:18）;％复制响应变量值，需要验证目的%设置一些缺少的值tdata.CustAge(1) =南;tdata.ResStatus (2) ='<未定义>';tdata.empstatus（3）='<未定义>';TDATA.CUSTINCOME（4）= NAN;％设置一些无效值tdata.Custage（5）= -100;tdata.resstatus（6）='房子'; tdata.EMP状态（7）=“自由职业者”;TDATA.CUSTINCOME（8）= -1;DISP（TDATA）
CustAge ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance地位 _______ ___________ ___________ __________ _______ _______ _________ ______ 南租户未知34000 44是的119.8 - 1 48 <定义>未知44000 14是的403.62 0 65房主<定义> 48000年6没有其它未知南35 111.88 0 44 436.41 0 -100其他雇用了46000名16岁是的162.21 0 33 House Employed 36000 36 Yes 845.02 0 39 Tenant Freelancer 34000 40 Yes 756.26 1 24 Home Owner Employed -1 19 Yes 449.61 0
为新数据打分，并查看如何为缺失数据分配分数CustAge和resstatus，因为我们有一个显式的为< >失踪．然而,对于empstatus.和缅因一这分数函数将点设置为南．
验证结果不可靠，分数为南保持值（参见验证表ValTable以下），但目前尚不清楚这些影响是什么南值在验证统计数据中（ValStats）.这是一个非常小的验证数据集，但南在更大的数据集上，分数仍然可以影响验证结果。
[得分，得分]=得分（sc，tdata）；显示（分数）
481.2231 520.8353南纳551.7922 487.9588南楠
disp(分)
CustAge ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance _______ _________ _________ __________ _______ _______ _________ 64.984 62.138 58.807 67.893 61.858 75.622 89.922 78.86 74.125 58.807 82.439 61.061 75.622 89.922 96.76 73.248 NaN 96.969 51.132 50.914 89.922 69.636 90.828 58.807 61.858 50.914 89.922 64.984 90.828 86.937 82.43961.061 75.622 89.922 56.282 74.125 86.937 70.107 61.858 75.622 63.028 60.012 62.138 NaN 67.893 61.858 75.622 63.028 54.062 73.248 86.937
[Valstats，Valtable] = ValidateModel（SC，TDATA）;DISP（VALSTATS）
测量值___________________________ {'准确率'} 0.16667 {'roc curve'} 0.58333 {'ks统计'} 0.5 {'ks得分'} 481.22
DISP（VALTABLE）
分数ProbDefault TrueBads FalseBads TrueGoods FalseGoods敏感性FalseAlarm PctObs ______ ___________ ________ _________ _________ __________ ___________ __________ ______ 南南5 0 1 2 0 0 0.16667 0.125南南2 4 2 0 0.33333 0.25南南1 2 4 1 0.5 0.33333 0.375南南1 3 3 1 0.5 0.5 0.5 481.22 0.39345 - 2 3 3 0 1 0.5 0.625 487.960.3714 2 4 20 1 0.66667 0.75 520.84 0.2725 25 1 0 1 0.83333 0.875 551.79 0.19605 2 60 0 1 1 1 1
使用名称值参数'失踪'在里面格式点选择如何为没有显式指示的预测器的缺失值分配点< >失踪箱子在本例中，使用'minpoints'选择'失踪'争论。最低点empstatus.在上面显示的记分卡中58.8072.而对于缅因一最小值点是29.3753．
验证结果不再受影响南值，因为现在所有行都有一个分数。
sc = formatopoints（sc，'失踪'那'minpoints'）;[得分，得分]=得分（sc，tdata）；显示（分数）
481.2231 520.8353 517.7532 451.3405 551.7922 487.9588 479.3577 470.2267
disp(分)
CustAge ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance _______ _________ _________ __________ _______ _______ _________ 64.984 62.138 58.807 67.893 61.858 75.622 89.922 78.86 74.125 58.807 82.439 61.061 75.622 89.922 96.76 73.248 58.807 96.969 51.132 50.914 89.922 69.636 90.828 58.807 29.375 61.858 50.914 89.922 64.984 90.828 86.93782.439 61.061 75.622 89.922 56.282 74.125 86.937 70.107 61.858 75.622 63.028 60.012 62.138 58.807 67.893 61.858 75.622 63.028 54.062 73.248 86.937 29.375 61.061 75.622 89.922
[Valstats，Valtable] = ValidateModel（SC，TDATA）;DISP（VALSTATS）
测量值{uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu
DISP（VALTABLE）
Scores Probdefault TrueBads FalseGabs Truegoods FalseGoods敏感性Falsealarm Pctobs _______________ _______________________________________________________________________________________________________________________________________0.30 0.3333 1 2 4 1 0.5 0.33331 0.375 481.22 0.39345 2 2 40 1 0.33333 0.5 487.96 0.3714 2 3 3 0 1 0.5 0.625 517.75 0.28105 2 4 2 0 1 0.6667 0.75 520.84 0.2725 2 5 1 0 1 0.8333 0.875 501.79 0.19605 2 6 0 0 1 1 1 1
输入参数
输出参数
更多关于
参考文献
［1］“巴塞尔银行监管委员会：内部评级系统验证研究。”2005年2月14日的工作文件。
[2] 雷法特，M。信用风险记分卡:使用SAS开发和实施。露露网，2011年。
Loeffler, G.和Posch, P. N。使用Excel和VBA的信用风险建模。威利金融，2007年。
另请参阅
bindata|bininfo|CreditsCorecard.|显示点|fitmodel|格式点|ModifierBins.|modifypredictor.|绘图赛|predictorinfo.|probdefault|分数|模型|桌子
在R2015A介绍
您还可以从以下列表中选择网站：
