R语言最优分箱包smbinning

R语言最优分箱包smbinning

在风控中评分卡模型中需要对数值型连续变量进行分箱处理，这个过程又被称为数据离散化。smbinning包是采用最优分箱的方法进行数值型变量的离散化处理的，即条件推断决策树(Conditional Inference Tree)。该算法开始排除缺失值进行分割点的寻找，最后计算IV值时，会考虑缺失值。
如果没有安装smbinning，请先安装

   install.packages('smbinning')

由于smbinning是依赖于RSQLite包，如果调用smbinning包之前有调用RMySQL包的话，可能会出现下面的错误：

 Error in .local(drv, ...) : 

  Failed to connect to database: Error: Can't connect to MySQL server on 'localhost' (0)
Error in !dbPreExists : invalid argument type

所以在调用smbinning包之前，如果有RMySQL包同时调用，需要先将

RMySQL 包卸掉：

detach("package:RMySQL")

调用smbinning包
library(smbinning)
最优分箱函数：
smbinning(df, y, x, p = 0.05)
各个参数的意义如下：
df 为数据框； y为 响应变量(0,1)，必须是整数且变量名不能包含”.”； x 连续性变量，至少5个不同的值且变量名不能包含”.”；p 每组样本占比，默认5%，即分箱之后每组样本数不能小于5%。该参数区间为0-0.5；

示例：

首先查看数据结构

str(chileancredit)

cbs1根据目标变量fgood字段进行分箱并保存：

result<-smbinning(df=chileancredit,y="fgood",x="cbs1")

可以查看result的结果：

可以看到各个分箱详细信息，包括分箱值、样本数、好样本数、坏样本数、WOE值及iv值；

###设置2*2的绘图样式###
par(mfrow=c(2,2))
###在第一幅图中绘制在fgood的条件下的cbs1的箱图###
boxplot(chileancredit$cbs1~chileancredit$fgood,
        horizontal=TRUE, frame=FALSE, col="lightgray",main="Distribution")
mtext("Credit Score",3)
###第二幅图中绘制分箱后的分布图###
smbinning.plot(result,option="dist",sub="Credit Score")
###第三幅图中绘制分箱后的坏样本率###
smbinning.plot(result,option="badrate",sub="Credit Score")
###第四幅图中绘制分箱后WOE值###
smbinning.plot(result,option="WoE",sub="Credit Score")
par(mfrow=c(1,1))

得到的图片如下：

转载原网址为
此为原网址