creditscorecard
创建creditscorecard对象构建信用记分卡模型
描述
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
描述
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)。
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。
输入参数
属性
对象的功能
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 |
例子
创建一个creditscorecard对象
创建一个creditscorecard对象使用CreditCardData.mat文件来加载数据(使用Refaat 2011的数据集)。
负载CreditCardDatasc = creditscorecard(数据)
sc = creditscorecard with properties: GoodLabel: 0 ResponseVar: 'status' WeightsVar: " VarNames: {1x11 cell} NumericPredictors: {1x7 cell} CategoricalPredictors: {'ResStatus' 'EmpStatus' 'OtherCC'} BinMissingData: 0 IDVar: " PredictorVars: {1x10 cell} Data: [1200x11 table]
创建一个creditscorecard对象包含权重
使用CreditCardData.mat载入数据的文件(dataWeights)，其中包含列(RowWeights)的权重(使用来自Refaat 2011的数据集)。
负载CreditCardData
创建一个creditscorecard对象的可选名称-值对参数“WeightsVar”．
sc = creditscorecard (dataWeights,“WeightsVar”，“RowWeights”）
sc = creditscorecard with properties: GoodLabel: 0 ResponseVar: 'status' WeightsVar: 'RowWeights' VarNames: {1x12 cell} NumericPredictors: {1x7 cell} CategoricalPredictors: {'ResStatus' 'EmpStatus' 'OtherCC'} BinMissingData: 0 IDVar: " PredictorVars: {1x10 cell} Data: [1200x12 table]
显示creditscorecard对象属性
创建一个creditscorecard对象使用CreditCardData.mat文件来加载数据(使用Refaat 2011的数据集)。
负载CreditCardDatasc = creditscorecard(数据)
sc = creditscorecard with properties: GoodLabel: 0 ResponseVar: 'status' WeightsVar: " VarNames: {1x11 cell} NumericPredictors: {1x7 cell} CategoricalPredictors: {'ResStatus' 'EmpStatus' 'OtherCC'} BinMissingData: 0 IDVar: " PredictorVars: {1x10 cell} Data: [1200x11 table]
来显示creditscorecard对象属性，使用点符号。
sc.PredictorVars
ans =1 x10单元格列1到4 {'CustID'} {'CustAge'} {'TmAtAddress'} {'ResStatus'}列5到8 {'EmpStatus'} {'CustIncome'} {'TmWBank'} {'OtherCC'}列9到10 {'AMBalance'} {'UtilRate'}
sc.VarNames
ans =1 x11单元格列1到4 {'CustID'} {'CustAge'} {'TmAtAddress'} {'ResStatus'}列5到8 {'EmpStatus'} {'CustIncome'} {'TmWBank'} {'OtherCC'}列9到11 {'AMBalance'} {'UtilRate'} {'status'}
的属性值creditscorecard对象
创建一个creditscorecard对象使用CreditCardData.mat文件来加载数据(使用Refaat 2011的数据集)。
负载CreditCardDatasc = creditscorecard(数据)
sc = creditscorecard with properties: GoodLabel: 0 ResponseVar: 'status' WeightsVar: " VarNames: {1x11 cell} NumericPredictors: {1x7 cell} CategoricalPredictors: {'ResStatus' 'EmpStatus' 'OtherCC'} BinMissingData: 0 IDVar: " PredictorVars: {1x10 cell} Data: [1200x11 table]
自IDVar属性具有公共访问权限，您可以在命令行更改其值。
sc.IDVar =“CustID”
sc = creditscorecard with properties: GoodLabel: 0 ResponseVar: 'status' WeightsVar: " VarNames: {1x11 cell} NumericPredictors: {1x6 cell} CategoricalPredictors: {'ResStatus' 'EmpStatus' 'OtherCC'} BinMissingData: 0 IDVar: 'CustID' PredictorVars: {1x9 cell} Data: [1200x11 table]
创建一个creditscorecard对象
创建一个creditscorecard对象使用CreditCardData.mat文件来加载数据(使用Refaat 2011的数据集)。
负载CreditCardDatasc = creditscorecard(数据)
sc = creditscorecard with properties: GoodLabel: 0 ResponseVar: 'status' WeightsVar: " VarNames: {1x11 cell} NumericPredictors: {1x7 cell} CategoricalPredictors: {'ResStatus' 'EmpStatus' 'OtherCC'} BinMissingData: 0 IDVar: " PredictorVars: {1x10 cell} Data: [1200x11 table]
在本例中，属性的默认值ResponseVar，PredictorVars和GoodLabel在创建此对象时分配。默认情况下，属性ResponseVar设置为输入数据的最后一列中的变量名(“状态”在本例中)。房地产PredictorVars包含中所有变量的名称VarNames,但不包括IDVar和ResponseVar．此外，在前面的示例中，默认情况下，GoodLabel被设置为0，因为它是响应变量中的值(ResponseVar)的最高计数。
显示creditscorecard使用点符号的对象属性。
sc.PredictorVars
ans =1 x10单元格列1到4 {'CustID'} {'CustAge'} {'TmAtAddress'} {'ResStatus'}列5到8 {'EmpStatus'} {'CustIncome'} {'TmWBank'} {'OtherCC'}列9到10 {'AMBalance'} {'UtilRate'}
sc.VarNames
ans =1 x11单元格列1到4 {'CustID'} {'CustAge'} {'TmAtAddress'} {'ResStatus'}列5到8 {'EmpStatus'} {'CustIncome'} {'TmWBank'} {'OtherCC'}列9到11 {'AMBalance'} {'UtilRate'} {'status'}
自IDVar和PredictorVars具有公共访问权限，您可以在命令行更改它们的值。
sc.IDVar =“CustID”
sc = creditscorecard with properties: GoodLabel: 0 ResponseVar: 'status' WeightsVar: " VarNames: {1x11 cell} NumericPredictors: {1x6 cell} CategoricalPredictors: {'ResStatus' 'EmpStatus' 'OtherCC'} BinMissingData: 0 IDVar: 'CustID' PredictorVars: {1x9 cell} Data: [1200x11 table]
sc.PredictorVars = {“CustIncome”，“ResStatus”，“AMBalance”｝
sc = creditscorecard with properties: GoodLabel: 0 ResponseVar: 'status' WeightsVar: " VarNames: {1x11 cell} NumericPredictors: {'CustIncome' 'AMBalance'} CategoricalPredictors: {'ResStatus'} BinMissingData: 0 IDVar: 'CustID' PredictorVars: {'ResStatus' 'CustIncome' 'AMBalance'} Data: [1200x11 table]
disp (sc)
creditscorecard with properties: GoodLabel: 0 ResponseVar: 'status' WeightsVar: " VarNames: {1x11 cell} NumericPredictors: {'CustIncome' 'AMBalance'} CategoricalPredictors: {'ResStatus'} BinMissingData: 0 IDVar: 'CustID' PredictorVars: {'ResStatus' 'CustIncome' 'AMBalance'} Data: [1200x11 table]
创建一个creditscorecard对象并设置GoodLabel和ResponseVar
创建一个creditscorecard对象使用CreditCardData.mat文件来加载数据(使用Refaat 2011的数据集)。然后使用名称-值对参数creditscorecard定义GoodLabel和ResponseVar．
负载CreditCardDatasc = creditscorecard(数据,“IDVar”，“CustID”，“GoodLabel”，0，“ResponseVar”，“状态”）
sc = creditscorecard with properties: GoodLabel: 0 ResponseVar: 'status' WeightsVar: " VarNames: {1x11 cell} NumericPredictors: {1x6 cell} CategoricalPredictors: {'ResStatus' 'EmpStatus' 'OtherCC'} BinMissingData: 0 IDVar: 'CustID' PredictorVars: {1x9 cell} Data: [1200x11 table]
GoodLabel和ResponseVar只能在创建creditscorecard对象使用creditscorecard．
创建一个creditscorecard对象，并设置“BinMissingData”财产
创建一个creditscorecard对象使用CreditCardData.mat文件来加载dataMissing用缺失值。
负载CreditCardData头(dataMissing, 5)
ans =5×11表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租户雇佣了37000 61877.23 0.29 0 4 NaN 75自雇业主53000 20是157.37 0.08 0 5 68 56自雇业主53000 14是561.84 0.11 0
流('行数:%d\n'、高度(dataMissing))
行数:1200行
流('缺少的值的数量CustAge: %d\n'总和(ismissing (dataMissing.CustAge)))
CustAge: 30
流(restatus: %d\n总和(ismissing (dataMissing.ResStatus)))
ResStatus: 40
使用creditscorecard使用name-value参数“BinMissingData”设置为真正的将丢失的数据装入单独的容器中。
sc = creditscorecard (dataMissing,“IDVar”，“CustID”，“BinMissingData”,真正的);sc = autobinning (sc);disp (sc)
creditscorecard with properties: GoodLabel: 0 ResponseVar: 'status' WeightsVar: " VarNames: {1x11 cell} NumericPredictors: {1x6 cell} CategoricalPredictors: {'ResStatus' 'EmpStatus' 'OtherCC'} BinMissingData: 1 IDVar: 'CustID' PredictorVars: {1x9 cell} Data: [1200x11 table]
显示bin信息的数字数据“CustAge”这包括在一个单独的标签箱中丢失的数据< >失踪．
bi = bininfo (sc,“CustAge”）;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 {' total '} 803 397 2.0227 NaN 0.087112
plotbins (sc,“CustAge”）
显示的分类数据的bin信息“ResStatus”这包括在一个单独的标签箱中丢失的数据< >失踪．
bi = bininfo (sc,“ResStatus”）;disp (bi)
Bin Good Bad Odds WOE InfoValue ______________ _____________ _________ __________ {'Tenant'} 296 161 1.8385 -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 {' total '} 803 397 2.0227 NaN 0.0092627
plotbins (sc,“ResStatus”）
参考文献
[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。
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|表格
应用程序
- 装箱的探险家(风险管理工具箱)
主题
- 信用记分卡分析的案例研究
- 约束Logistic回归系数的信用记分卡
- 缺失值的信用记分卡建模
- 使用逻辑回归和决策树的信用评分比较(风险管理工具箱)
- 使用信用记分卡的拒绝推理技术(风险管理工具箱)
- compactCreditScorecard对象的工作流(风险管理工具箱)
- 处理信用记分卡结果
- bining Explorer案例研究示例(风险管理工具箱)
- 信用记分卡建模工作流
- 关于信用计分卡
- 利用观测权建立信用记分卡模型
- bininning Explorer概述(风险管理工具箱)
你也可以从以下列表中选择一个网站:
