评分卡模型开发-定性指标筛选

博客探讨了在评分卡模型开发中如何筛选定性指标,利用R语言的informationvalue包计算IV值,以评估定性指标的重要性。通过选择高predictive指标,确定了定性和定量入模指标。同时,介绍了对入模指标进行分段的方法,包括等距分段和最优分段,以计算WOE值并优化变量预测能力。
摘要由CSDN通过智能技术生成

定量指标是数值型的,我们还可以用回归的方法来筛选,那么定性的指标怎么办呢?
R里面给我们提供了非常强大的IV值计算算法,通过引用R里面的informationvalue包,来计算各指标的IV值,即可得到各定性指标间的重要性度量,选取其中的high predictive指标即可。
有很多小伙伴不知道informationvalue是什么:
我大概说一下,IV值衡量两个名义变量(其中一个是二元变量)之间关联性的常用指标。

library(InformationValue)
library(klaR)
credit_risk<-ifelse(train_kfolddata[,"credit_risk"]=="good",0,1)
#将违约状态变量用0和1表示,1表示违约。
tmp<-train_kfolddata[,-21]
data<-cbind<
  • 5
    点赞
  • 31
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值