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。
创建A后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。
使用屏幕预测器
(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(请参见创建CreditsCorecard.和属性).
使用数据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
和格式点
.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信用记分卡
对象(csc
) 使用契约
函数。然后可以使用以下函数displaypoints
(风险管理工具箱)那分数
(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。
使用数据进行评分分数
.
计算使用默认值的概率probdefault
.
使用验证信用记分卡模型的质量viewatemodel.
.
有关此工作流的详细信息,请参阅信用记分卡建模工作流程.
创建一个sc
= creditscorecard (数据
)CreditsCorecard.
通过指定对象数据
.信用记分卡模型,作为一个返回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)。
autobinning |
对给定的预测器执行自动分类 |
bininfo |
返回预测格的箱信息 |
predictorinfo |
信用记分卡预测因素属性摘要 |
修正预测器 |
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 |
ModifierBins. |
修改预测的垃圾箱 |
bindata. |
组合预测变量 |
绘图仪 |
绘制直方图计数预测变量 |
fitmodel |
将logistic回归模型与证据权重(WOE)数据拟合 |
fitConstrainedModel |
根据模型系数的约束条件,将逻辑回归模型与证据权重(WOE)数据拟合 |
setmodel |
设置模型预测因子和系数 |
displaypoints |
返回点每个预测器每箱 |
格式点 |
格式化记分卡点和缩放 |
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 |
viewatemodel. |
验证信用记分卡模型的质量 |
契约 |
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。使用SAS进行数据挖掘的数据准备。摩根Kaufmann,2006。
[3] Refaat,M。信用风险记分卡:使用SAS开发和实施。lulu.com, 2011。
autobinning
|bindata.
|bininfo
|displaypoints
|fillmissing
|fitConstrainedModel
|fitmodel
|格式点
|ModifierBins.
|修正预测器
|绘图仪
|predictorinfo
|probdefault
|分数
|setmodel
|表格
|viewatemodel.
|屏幕预测器
(风险管理工具箱)