登录
首页精彩阅读SAS数据挖掘实战篇【七】
SAS数据挖掘实战篇【七】
2016-04-10
收藏

SAS数据挖掘实战篇【七】



6.5  SAS EM数据挖掘-----预测模型
1  问题定义

目标:建立模型预测贷款申请的信用状态,选择最优的模型来预测和减少损失。
数据集:SAMPSIO.DMAGECR
数据集大小:1000
变量数目:21(20个输入变量,1个目标变量)
变量描述
 
该损失矩阵将产生和第一个损失矩阵相似的决策,但是第二个矩阵产生的统计描述更加容易理解。
在训练数据集中,
未预测数据:SAMPSIO.DMAGESCR
数据集大小:75(没有GOOD_BAD变量)
 
2  创建数据挖掘工程

4  设置目标变量
选择变量选项卡,右击GOOD_BAD的模型角色,设置变量角色为target。

5  为GOOD_BAD变量定义目标Profile
目标资料主要定义三种信息
(1) 分类变量的目标级别
(2) 决策矩阵
(3) 先验概率

在变量选项卡中右击GOOD_BAD目标变量,编辑目标信息

设置目标事件级别
为GOOD_BAD变量定义决策矩阵
选择评估信息选项卡,显示四个预定义的矩阵

6  查看区间变量和类别变量的统计信息
可以发现没有缺失值,但是AMOUT变量倾斜度过高





创建顺序分组变量
选择目标关联选项卡,设置变量选择方法为卡方。
运行节点,查看结果。
在21个变量中,9个是rejected,包括分组变量AGE_GA2Y,将其设置为input

10  创建逐步回归逻辑模型


12  评估模型

运行评估节点,查看模型比较。从工具菜单中选择提升图。

 
13  定义评分数据集

 
打开score节点,选择如下



15  查看期望损失

 



 

在program选项卡中输入下面的代码,显示信用好的贷款申请者
options nocenter nodate;
data goodapps;
set &_SCORE;
if D_GOOD_BAD_ = 'accept';
run;
proc print data = goodapps lable;
var custid D_GOOD_BAD_ EL_GOOD_BAD_;
title "Good Credit Risk Applicants";
run;


17  创建报告
查看创建的报表,在浏览器中查看。
18  关闭工程,完成项目。


数据分析咨询请扫描二维码

客服在线
立即咨询