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