modifybins

修改预测器的垃圾箱

在页面上崩溃

语法

sc = modififybins（sc，predictorname，名称，值）

描述

sc= modifybins (sc，PredictorName，名称，价值）使用可选的名称-值对参数手动修改数值预测器或分类预测器的预测器容器。对于数值预测器，可以指定最小值、最大值和切割点。对于类别预测器，可以指定类别分组。可以为这两种类型的预测器指定Bin标签。

例子

全部收缩

修改用于数字数据的预测器箱

打开直播脚本

创建一个creditscorecard对象使用CreditCardData.mat文件来加载数据（使用来自Refaat 2011的数据集）。

负载CreditCardDatasc = creditscorecard（数据）;

预测指标CustIncome是数字。默认情况下，每个预测器的值都放在一个单独的容器中。

bi = bininfo (sc,“CustIncome”）

bi =46×6表本好不好悲哀InfoValue几率  _________ ____ ___ _______ _________ __________ {' 18000年}2 3 0.66667 -1.1099 0.0056227{19000”}1 2 0.5 -1.3976 0.0053002{20000”}4 2 2 -0.011271 - 6.3641 e-07{21000”}6 3 2 -0.011271 - 9.5462 e-07{22000”}4 2 2 -0.011271 - 6.3641 e-07{23000”}4 4 1 -0.70442 0.0035885{24000”}5 5 1 -0.70442 0.0044856{25000”}4 90．44444 -1.5153 0.026805 {'26000'} 4 11 0.36364 -1.716 0.038999 {'27000'} 6 6 1 -0.70442 0.0053827 {'28000'} 13 11 1.1818 -0.53736 0.0061896 {'29000'} 11 10 1.1 -0.60911 0.0069988 {'30000'} 18 16 1.125 -0.58664 0.010493 {'31000'} 24 8 3 0.39419 0.0038382 {'32000'} 21 15 1.4 -0.36795 0.0042797 {'33000'} 35 19 1.8421 -0.093509 0.00039951 ⋮

用modifybins设置最小值为0，每10000切割点，从20000到60000。显示更新的bin信息，包括切割点。

sc = modifybins (sc,“CustIncome”，“MinValue”0,“割点”, 20000:10000:60000);(bi, cp) = bininfo (sc,“CustIncome”）

bi =7×6表本好不好悲哀InfoValue几率  _________________ ____ ___ _______ _________ _________ {'[ 0, 20000)的}3 5 0.6 -1.2152 0.010765{(20000、30000)}61 63 0.96825 -0.73668 0.060942{[30000、40000)的}324 173 1.8728 -0.076967 0.0024846{[40000、50000)的}304 123 2.4715 0.20042 0.013781{[50000、60000)}103年32 3.2188 0.46457 0.022144{”(60000年,正)}8 18 1.375 0.010235 {' total '} 803 397 2.0227 NaN 0.12035

CP =5×120000 30000 40000 50000 60000

第一个和最后一个箱子只包含很少的点。要将第一个容器合并到第二个容器中，请删除第一个切割点。类似地，要将最后一个容器合并到倒数第二个容器中，请删除最后一个切割点。然后使用modifybins更新记分卡，并显示更新后的bin信息。

cp (1) = [];cp(结束)= [];sc = modifybins (sc,“CustIncome”，“割点”, cp);bi = bininfo (sc,“CustIncome”）

bi =5×6表本好不好悲哀InfoValue几率  _________________ ____ ___ _______ _________ _________ {'[ 0, 30000)} 64 68 0.94118 -0.76504 0.070065{[30000、40000)的}324 173 1.8728 -0.076967 0.0024846{[40000、50000)的}304 123 2.4715 0.20042 0.013781{”(50000年,正)}33 111 3.3636 0.5086 0.028028{“总数”}803 397 0.11436 2.0227南

修改分类数据的预测器容器

打开直播脚本

创建一个creditscorecard对象使用CreditCardData.mat文件来加载数据（使用来自Refaat 2011的数据集）。

负载CreditCardDatasc = creditscorecard（数据）;

分类数据或分类数据的规则总结在“类别分组”表中，作为可选输出返回。默认情况下，每个类别都放在一个单独的容器中。以下是预测器的信息resstatus．

[bi，cg] = bininfo（sc，“ResStatus”）

bi =4×6表垃圾好赔率越来越好哇哇哇_______________________________ __________397 2.0227 NAN 0.0097738

cg =3×2表类别BinNumber  ______________ _________ {' 房主'}1{“租户”}2{‘其他’}3

组类别“租户”和“其他”，修改类别分组表cg，则为“其他”与bin号码相同“租户”．然后使用modifybins更新记分卡。

cg.BinNumber (3) = 2;sc = modifybins (sc,“ResStatus”，“CatGrouping”、cg);

显示更新后的bin信息。请注意，已更新了bin标签，类别分组中包含了bin成员资格信息cg．

[bi，cg] = bininfo（sc，“ResStatus”）

bi =3×6表垃圾箱好赔率悲伤_______________ _______________________________________10.0137729010

cg =3×2表类别BinNumber  ______________ _________ {' 房主'}1{“租户”}2{‘其他’}2

合并数值预测和分类预测

打开直播脚本

创建一个creditscorecard对象(使用来自Refaat 2011的数据集)。

负载CreditCardDatasc = creditscorecard（数据，“IDVar”，“CustID”，“GoodLabel”，0）;

对于数值预测器CustAge,可以使用modifybins功能设置以下切点：

Cp = [25 37 49 65];sc = modifybins (sc,“CustAge”，“割点”，cp，“MinValue”0,“执行”，75）;Bininfo（SC，“CustAge”）

ans =6×6表本好不好悲哀InfoValue几率  ___________ ____ ___ ______ _________ _________ {'[ 0、25)}9 8 1.125 -0.58664 0.0052464{'[25日37)}125 92 1.3587 -0.39789 0.030268{'[37岁49)}340 183 1.8579 -0.084959 0.0031898{'[65)}298 108 2.7593 0.31054 0.030765{'(65、75)}31 6 5.1667 0.93781 0.022031{“总数”}803 397 0.0915 2.0227南

使用modifybins函数合并第2和第3个箱子。

sc = modifybins (sc,“CustAge”，“割点”cp ([1 3 4]));Bininfo（SC，“CustAge”）

ans =5×6表本好不好悲哀InfoValue几率  ___________ ____ ___ ______ ________ _________ {'[ 0、25)}9 8 1.125 -0.58664 0.0052464{[25岁49)的}465 275 1.6909 -0.17915 0.020355{'[65)}298 108 2.7593 0.31054 0.030765{'(65、75)}31 6 5.1667 0.93781 0.022031{“总数”}803 397 0.078397 2.0227南

显示分类预测器的垃圾箱信息resstatus．

[bi，cg] = bininfo（sc，“ResStatus”）;DISP（BI）

垃圾好赔率越来越好哇哇哇_______________________________ __________397 2.0227 NAN 0.0097738

使用modifybins函数合并类别2和3。

cg.BinNumber (3) = 2;sc = modifybins (sc,“ResStatus”，“CatGrouping”、cg);Bininfo（SC，“ResStatus”）

ans =3×6表垃圾箱好赔率悲伤_______________ _______________________________________10.0137729010

用于数值和分类预测器的分割箱

打开直播脚本

创建一个creditscorecard对象(使用来自Refaat 2011的数据集)。

负载CreditCardDatasc = creditscorecard（数据，“IDVar”，“CustID”，“GoodLabel”, 0)

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]

对于数值预测器tmataddress.,可以使用modifybins功能设置以下切点：

Cp = [30 80 120];sc = modifybins (sc,“TmAtAddress”，“割点”，cp，“MinValue”0,“执行”，210）;Bininfo（SC，“TmAtAddress”）

ans =5×6表Bin Good Bad Odds WOE InfoValue _____________ _____________ _________ __________ {'[0,30)'} 330 154 2.1429 0.057722 0.0013305 {'[30,80)'} 379 201 1.8856 -0.070187 0.0024086 {'[80,120)'} 78 36 2.1667 0.068771 0.00044396 {'[120,210]'} 166 2.6667 0.27641 0.0013301 {' total '} 803 397 2.0227 NaN 0.0055131

使用modifybins函数分割第二个箱子。

sc = modifybins (sc,“TmAtAddress”，“割点”, (cp (1) 50 cp(2:结束)]);Bininfo（SC，“TmAtAddress”）

ans =6×6表本好不好悲哀InfoValue几率  _____________ ____ ___ ______ _________ __________ {'[ 0, 30)} 330 154 2.1429 0.057722 0.0013305{[30、50)的}211 104 2.0288 0.0030488 2.4387 e-06{'[80)} 168 97 1.732 -0.15517 0.005449{”(80120)“36}78 2.1667 0.068771 0.00044396{”[120210]}16 6 2.6667 0.27641 0.0013301{“总数”}803 397 2.0227南0.0085559

显示分类预测器的垃圾箱信息resstatus．

[bi，cg] = bininfo（sc，“ResStatus”）

bi =4×6表垃圾好赔率越来越好哇哇哇_______________________________ __________397 2.0227 NAN 0.0097738

cg =3×2表类别BinNumber  ______________ _________ {' 房主'}1{“租户”}2{‘其他’}3

使用modifybins函数合并类别2和3。

cg.BinNumber (3) = 2;sc = modifybins (sc,“ResStatus”，“CatGrouping”、cg);Bininfo（SC，“ResStatus”）

ans =3×6表垃圾箱好赔率悲伤_______________ _______________________________________10.0137729010

使用modifybins功能拆分箱2并放置其他在本3。

cg.binnumber（3）= 3;sc = modifybins (sc,“ResStatus”，“CatGrouping”、cg);[bi，cg] = bininfo（sc，“ResStatus”）

bi =4×6表垃圾好赔率越来越好哇哇哇_______________________________ __________397 2.0227 NAN 0.0097738

cg =3×2表类别BinNumber  ______________ _________ {' 房主'}1{“租户”}2{‘其他’}3

修改箱标签

打开直播脚本

创建一个creditscorecard对象使用CreditCardData.mat文件来加载数据（使用来自Refaat 2011的数据集）。

负载CreditCardDatasc = creditscorecard（数据）;

用modifybins重置最小值并为预测器创建三个容器CustIncome并显示更新后的bin信息。

sc = modifybins (sc,“CustIncome”，“MinValue”0,“割点”50000年[30000]);bi = bininfo (sc,“CustIncome”）

bi =4×6表本好不好悲哀InfoValue几率  _________________ ____ ___ _______ ________ _________ {'[ 0, 30000)} 64 68 0.94118 -0.76504 0.070065{[30000、50000)的}628 296 2.1216 0.047762 0.0017421{”(50000年,正)}33 111 3.3636 0.5086 0.028028{“总数”}803 397 0.099836 2.0227南

修改bin标签，并显示更新后的bin信息。

NewLabels = {“最多30k”，“30 k - 50 k”，50 k和更多};sc = modifybins (sc,“CustIncome”，“BinLabels”, NewLabels);bi = bininfo (sc,“CustIncome”）

bi =4×6表Bin Good Bad Odds WOE InfoValue ________________ ______________ ________ _________ {'Up to 30k'} 64 68 0.94118 -0.76504 0.070065 {'30k to 50k'} 628 296 2.1216 0.047762 0.0017421 {'50k and more'} 111 33 3.3636 0.5086 0.028028 {' total '} 803 397 2.0227 NaN 0.099836

垃圾桶标签应该是最后一个垃圾桶修改步骤。与本例中一样，用户定义的bin标签通常包含关于数字数据的切点、最小值或最大值的信息，或关于类别数据的类别分组的信息。为了防止用户定义的标签和切点不一致(以及标签具有误导性)的情况creditscorecard对象在每次修改容器时重写用户定义的标签modifybins．

为了显示modifybins每次修改容器时重写用户定义的标签，将第一个切割点重置为31000，并显示更新的容器信息。请注意，bin标签被重置为它们的默认格式，并准确地反映切割点的变化。

sc = modifybins (sc,“CustIncome”，“割点”50000年[31000]);bi = bininfo (sc,“CustIncome”）

bi =4×6表垃圾箱好赔率越来越好悲伤________________ _____________________________ {'[0,31000）'} 82 84 0.079751 {'[31000,50000）'} 610 280 2.1780 2.1780 2.1780 2.1786 0.079751 {[31000,50000）'} 610 280 22.079751 0.17860 0.079751 {111 33 3.3636 0.5086 0.028028 {'总计'} 803 397 2.0227 NaN 0.11182

使用丢失数据时修改Bin信息

打开直播脚本

创建一个creditscorecard对象使用CreditCardData.mat文件来加载Datamissing.用缺失值。

负载CreditCardData.mat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)))

缺失值次数Resstatus：40

用creditscorecard使用name-value参数“BinMissingData”设置真的将丢失的数据装入单独的容器中。

sc = creditscorecard（Datamissing，“IDVar”，“CustID”，“BinMissingData”，真的）;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”这包括标记为单独的垃圾箱中的缺失数据< >失踪．

(bi, cp) = 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”）

图中包含一个轴对象。标题为CustAge的轴对象包含三个类型为bar, line的对象。这些对象代表好和坏。

对于数值预测器CustAge，去除切割点48和51然后使用modifybins定义A.“MinValue”的0要手动更改装箱，请注意这不会影响< >失踪本和< >失踪垃圾箱留在最后。

cp (cp = = 48) = [];cp (cp = = 51) = [];sc = modifybins (sc,“CustAge”，“割点”，cp，“MinValue”，0）;bi = bininfo (sc,“CustAge”）;DISP（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,58)}315 128 2.4609 0.19612 0.013701{的[58岁的Inf]} 93年25 3.72 0.60931 0.032198{''} 19 11 1.7273 -0.15787 0.00063885{'合计'}803 397 2.0227 NaN 0.086808

PlotBins（SC，“CustAge”）

图中包含一个轴对象。标题为CustAge的轴对象包含三个类型为bar, line的对象。这些对象代表好和坏。

显示的分类数据的bin信息“ResStatus”这包括标记为单独的垃圾箱中的缺失数据< >失踪．

[bi，cg] = 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”）

图中包含一个轴对象。标题为ResStatus的axis对象包含三个类型为bar, line的对象。这些对象代表好和坏。

对于绝对预测器resstatus，用modifybins手动合并'房主'和“其他”通过将相同的容器号分配给这些类别，将其划分为单个组。注意，这不会影响< >失踪本和< >失踪垃圾箱留在最后。

cg.BinNumber (3) = 2;sc = modifybins (sc,“ResStatus”，“CatGrouping”、cg);[bi，cg] = bininfo（sc，“ResStatus”）;DISP（BI）

宾好差赔率WOE INFOVALUE _____________ ____ ___ ______ _________ __________ { '组别1'} 296 161 1.8385 -0.095463 0.0035249 { '组2'} 480 223 2.1525 0.062196 0.0022419 { '<缺失>'} 27 13 2.0769 0.026469 2.3248e-05 {”总计'} 803 397 2.0227 NAN 0.00579

disp (cg)

类别binnumber ______________ _________ {'租户'} 1 {'归属主'} 2 {'其他'} 2

输入参数

全部收缩

`sc`- - - - - -信用计分卡模型
`creditscorecard`对象

信用记分卡模型，指定为acreditscorecard对象。用creditscorecard创建一个creditscorecard对象。

`PredictorName`- - - - - -预测器的名称
特征向量

预测器的名称，指定为包含预测器名称的字符向量。PredictorName区分大小写。

数据类型:字符

名称-值参数

指定可选的逗号分隔的对名称，价值参数。的名字参数名和价值是相应的价值。的名字必须出现在引号内。您可以以任何顺序指定多个名称和值对参数Name1, Value1,…,的家．

例子:sc = modifybins(sc,PredictorName，'MinValue'，10，'CutPoints'，[23,44,66,88])

`MinValue`- - - - - -最小可接受值（仅限数字预测器）
`负`(默认)|数字

最小可接受值，指定为逗号分隔对，由“MinValue”和一个数值(仅用于数值预测器)。低于这个数字的值被认为超出了范围。

数据类型:双

`maxvalue.`- - - - - -最大可接受值(仅限数值预测器)
`正`(默认)|数字

最大可接受值，指定为逗号分隔对，由“执行”和一个数值(仅用于数值预测器)。上方的值被认为超出范围。

数据类型:双

`割点`- - - - - -仓间分割点
预测器的每个观测值被放在一个单独的容器中(默认)|nongrefreasing数字阵列

bin之间的分割点，指定为逗号分隔的对，由“割点”和非递减数字数组。如果有NumBins箱,有n＝NumBins- - - - - -1切点C1 C2…Cn用以下公约描述垃圾箱边界：

第一个垃圾箱包括任何值> =MinValue，但< C1。
第二个bin包含任何值>= C1，但< C2。
最后一个容器包含任何值>= Cn, < =maxvalue.．

请注意

切点不包括在内MinValue或者maxvalue.．

默认情况下，切割点被定义，这样每个预测器的观测值都被放置在一个单独的容器中。如果排序后的观测值是V1，…，V米，默认的切割点是V2，…，V米,它定义米垃圾箱。

数据类型:双

`CatGrouping`- - - - - -具有两列的表`类别`和`BinNumber`
每个类别都放在一个单独的垃圾箱里(默认)|具有两列的表`类别`和`BinNumber`

具有两列的表类别和BinNumber，指定为逗号分隔的配对组成“CatGrouping”以及一个表，其中第一列包含预测器的类别的详尽列表，第二列包含每个类别所属的bin编号。

默认情况下，每个类别都放在一个单独的容器中。如果观察到的类别是＇Cat1＇...，＇猫米＇，默认的分类分组如下。

类别	BinNumber
`＇`Cat1`＇`	1
`＇`Cat2`＇`	2
.．.	.．.
`＇`猫M'`＇`	米

数据类型:双

`BinLabels`- - - - - -每个垃圾箱的垃圾箱标签
根据预测器的类型自动生成bin标签(默认)|字符向量的单元格数组

每个垃圾箱的箱标签，指定为逗号分隔的配对“BinLabels”和带有箱标签名称的字符向量的单元格数组。

请注意

“BinLabels”不支持值万博1manbetx< >失踪．

容器标签用于标记不同对象函数中的容器，例如bininfo，plotbins，和displaypoints.．一个creditscorecard对象在容器被修改时自动设置默认容器。bin标签的默认格式取决于预测器的类型。

的格式BinLabels是:

数字数据 - 在任何手动或自动修改预测器箱之前，默认情况下，每个观察到的预测值值都有一个垃圾箱。在这种情况下，箱标签简单地显示了预测值值。一旦被修改了预测器箱，就有非遗料值MinValue或者maxvalue.，或非默认的切点C1, C2，…Cn．在这种情况下，bin标签是:
- 本1标签:'[MinValue，C1）＇
- 本2标签:“[C1，C2）＇
- 最后一个bin标签：“[Cn，maxvalue.]“
例如，如果有三个箱子，MinValue是0,maxvalue.是40，切割点1是20并且切割点2是30，然后相应的三个箱标签是：
```
“[0,20)“(20、30)' '(30、40)'
```

分类数据 - 对于任何修改预测器箱的分类数据，每类别有一个箱。在这种情况下，箱标签只是显示了预测的类别。一旦垃圾箱进行了修改，标签将设置为“Group1”，“Group2”等等，分别为Bin 1，Bin 2等。例如，假设我们有以下类别分组

类别	BinNumber
`＇`Cat1`＇`	1
`＇`Cat2`＇`	2
`＇`Cat3`＇`	2

本1包含“Cat1”并且它的bin标签被设置为“Group1”．本2包含“Cat2”和“Cat3”它的bin标签被设置为“Group2”．

提示

使用BinLabels应该是修改容器的最后一步(如果需要的话)。BinLabels属性在每次修改容器时都会重写定义modifybins或者autobinning功能。

数据类型:细胞

输出参数

全部收缩

`sc`- 信用记分卡模型
`creditscorecard`对象

信用记分卡模型，作为更新返回creditscorecard对象。有关使用的更多信息creditscorecard对象,看到creditscorecard．

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。信用风险记分卡:使用SAS开发和实施。Lulu.com，2011年。

另请参阅

主题

介绍在R2014B.

modifybins

语法

描述

例子

修改用于数字数据的预测器箱

修改分类数据的预测器容器

合并数值预测和分类预测

用于数值和分类预测器的分割箱

修改箱标签

使用丢失数据时修改Bin信息

输入参数

`sc`- - - - - -信用计分卡模型
`creditscorecard`对象

`PredictorName`- - - - - -预测器的名称
特征向量

名称-值参数

`MinValue`- - - - - -最小可接受值（仅限数字预测器）
`负`(默认)|数字

`maxvalue.`- - - - - -最大可接受值(仅限数值预测器)
`正`(默认)|数字

`割点`- - - - - -仓间分割点
预测器的每个观测值被放在一个单独的容器中(默认)|nongrefreasing数字阵列

`CatGrouping`- - - - - -具有两列的表`类别`和`BinNumber`
每个类别都放在一个单独的垃圾箱里(默认)|具有两列的表`类别`和`BinNumber`

`BinLabels`- - - - - -每个垃圾箱的垃圾箱标签
根据预测器的类型自动生成bin标签(默认)|字符向量的单元格数组

输出参数

`sc`- 信用记分卡模型
`creditscorecard`对象

参考文献

另请参阅

主题

金融工具箱文档

万博1manbetx

用MATLAB建模财务风险的实用指南

modifybins

语法

描述

例子

修改用于数字数据的预测器箱

修改分类数据的预测器容器

合并数值预测和分类预测

用于数值和分类预测器的分割箱

修改箱标签

使用丢失数据时修改Bin信息

输入参数

sc- - - - - -信用计分卡模型creditscorecard对象

PredictorName- - - - - -预测器的名称特征向量

名称-值参数

MinValue- - - - - -最小可接受值（仅限数字预测器）负(默认)|数字

maxvalue.- - - - - -最大可接受值(仅限数值预测器)正(默认)|数字

割点- - - - - -仓间分割点预测器的每个观测值被放在一个单独的容器中(默认)|nongrefreasing数字阵列

CatGrouping- - - - - -具有两列的表类别和BinNumber每个类别都放在一个单独的垃圾箱里(默认)|具有两列的表类别和BinNumber

BinLabels- - - - - -每个垃圾箱的垃圾箱标签根据预测器的类型自动生成bin标签(默认)|字符向量的单元格数组

输出参数

sc- 信用记分卡模型creditscorecard对象

参考文献

另请参阅

主题

金融工具箱文档

万博1manbetx

用MATLAB建模财务风险的实用指南

`sc`- - - - - -信用计分卡模型
`creditscorecard`对象

`PredictorName`- - - - - -预测器的名称
特征向量

`MinValue`- - - - - -最小可接受值（仅限数字预测器）
`负`(默认)|数字

`maxvalue.`- - - - - -最大可接受值(仅限数值预测器)
`正`(默认)|数字

`割点`- - - - - -仓间分割点
预测器的每个观测值被放在一个单独的容器中(默认)|nongrefreasing数字阵列

`CatGrouping`- - - - - -具有两列的表`类别`和`BinNumber`
每个类别都放在一个单独的垃圾箱里(默认)|具有两列的表`类别`和`BinNumber`

`BinLabels`- - - - - -每个垃圾箱的垃圾箱标签
根据预测器的类型自动生成bin标签(默认)|字符向量的单元格数组

`sc`- 信用记分卡模型
`creditscorecard`对象