创建creditscorecard
对象构建信用记分卡模型
创建一个信用记分卡模型creditscorecard
对象,并以表格格式指定输入数据。
在创建一个creditscorecard
对象,您可以使用相关的对象函数来存放数据并执行逻辑回归分析,以开发一个信用记分卡模型来指导信用决策。这个工作流展示了如何开发一个信用记分卡模型。
使用screenpredictors
(风险管理工具箱)从风险管理工具箱™中将潜在的大量预测因素缩减为最能预测信用评分卡响应变量的子集。在创建creditscorecard
对象。
创建一个creditscorecard
对象(如创建creditscorecard和属性).
使用autobinning
.
拟合逻辑回归模型使用fitmodel
或fitConstrainedModel
.
检查和格式化信用记分卡点数使用displaypoints
和formatpoints
.在工作流的这一点上,如果您有风险管理工具箱的许可证,您可以选择创建一个compactCreditScorecard
对象(csc
)使用紧凑的
函数。然后可以使用以下函数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)风险管理工具箱中的csc
对象。
使用以下方法对数据进行评分分数
.
使用。计算数据的违约概率probdefault
.
使用验证信用记分卡模型的质量validatemodel
.
有关此工作流的更详细信息,请参见信用记分卡建模工作流.
创建一个sc
= creditscorecard (数据
)creditscorecard
通过指定对象数据
.信用记分卡模型,返回为creditscorecard
对象,包含一个或多个预测器的分类映射或规则(切点或类别分组)。
集属性使用前面语法中的名称-值对和任何参数。例如,sc
= creditscorecard (___,名称,值
)sc = creditscorecard(数据,“GoodLabel”,0,‘IDVar’,‘CustID’,‘ResponseVar’,‘身份’,‘PredictorVars’,{‘CustAge’,‘CustIncome},‘WeightsVar’,‘RowWeights’,‘BinMissingData’,真的)
.可以指定多个名称-值对。
请注意
要在信用记分卡工作流中使用观察(示例)权重,请在创建creditscorecard
对象,则必须使用可选的名称-值对WeightsVar
中定义的列数据
包含权重。
autobinning |
对给定的预测器执行自动分类 |
bininfo |
返回预测器的bin信息 |
predictorinfo |
总结信用记分卡预测属性 |
modifypredictor |
设置信用记分卡预测器的属性 |
fillmissing |
替换信用记分卡预测器的缺失值 |
modifybins |
修改预测的垃圾箱 |
bindata |
被预测变量 |
plotbins |
绘制直方图计数预测变量 |
fitmodel |
拟合logistic回归模型到证据权重(WOE)数据 |
fitConstrainedModel |
根据模型系数的约束,将logistic回归模型拟合到证据权重(WOE)数据 |
setmodel |
设置模型预测因子和系数 |
displaypoints |
返回点每个预测器每箱 |
formatpoints |
格式记分卡点数和缩放 |
分数 |
计算给定数据的信用分数 |
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 |
创建紧凑的信用记分卡 |
[1]安德森,R。信用评分工具包。牛津大学出版社,2007。
[2] Refaat, M。SAS数据挖掘的数据准备。2006年摩根考夫曼。
[3] Refaat, M。信用风险记分卡:使用SAS开发和实施。lulu.com, 2011。
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
|表格