第六讲：数据分析技术(四).pptVIP

　　我们只有提取的前面模型运算程序代码，将来才能离开SAS Enterprise Miner 环境运行。 Score节点就是用来提取代码的，以便用在BASE SAS 环境下运行。 　　为了产生邮寄名册，我们需要应用前面模型来预测更广泛的客户数据库，即运用提取的代码在BASE SAS 上运行，得到目标变量的响应预测值，依据判断阀值，选择得分值高于阀值的客户，从而产生了邮寄名册。在本例中，我们以原数据集作为预测数据集。 选择前断节点输入的数据 操作设置： Inactive –输出最近数据集产生的模型计算代码。 Apply training data score code to score data set –从训练数据集到得分数据集应用模型计算代码。 Accumulate data sets by type –复制和输出前续节点输入的数据集。 Merge data sets by type –合并前续节点输入的数据集。 Current imports – 列出前续节点输入当前得分代码。 Accumulated runs – 列出最近运行路径（训练操作）前续节点输出的得分代码。 Saved –列出已保存或合并的代码项。 All –列出由节点管理的代码项。 把代码文件输出保存为：REGRESSION。 在BASE SAS中显示并编辑。 编辑代码 /*--------------------------------------------------------------*/ /* ENTERPRISE MINER: BEGIN SCORE CODE */ /*--------------------------------------------------------------*/ %macro DMNORLEN; 32 %mend DMNORLEN; %macro DMNORMCP(in,out); out=substr(left(in),1,min(%dmnorlen,length(left(in)))); out=upcase(out); %mend DMNORMCP; %macro DMNORMIP(in); in=left(in); in=substr(in,1,min(%dmnorlen,length(in))); in=upcase(in); %mend DMNORMIP; DATA _PREDICT ; SET _SCORE ; 运行代码创造_PREDICT 数据集，它放置预测值。 它由得分数据集_SCORE描述。 在 _PREDICT 和 _SCORE插入: 　%let _PREDICT=x; 　%let _SCORE=sampsio.custdet1; 注：用哑元值初始化_PREDICT。不存在 X 数据集; _PREDICT 数据集由后来的得分代码创建。 %macro DMNORMIP(in); in=left(in); in=substr(in,1,min(%dmnorlen,length(in)));? in=upcase(in); %mend DMNORMIP; %let _PREDICT=x; %let _SCORE=sampsio.custdet1; DATA _PREDICT ; SET _SCORE ; *; * CODE_CLEAN * ; 为了高分列在前列要进行观察值排序和观察得分情况，在代码结束前要增加下列代码： proc sort data=_PREDICT; by descending P_DINEBIN1; run; proc print data=_PREDICT; var dinebin P_DINEBIN1 P_DINEBIN0; run; 预测 对预测集应用训练集得到的得分代码预测。 浏览预测结果 例如，我们要取得分前10％的客户邮寄，则依据预测数据集选出名单。 信用评分模型寅示 　　使用数据挖掘方法对客户信用进行评分，主要研究当个人申请服务和购物贷款时如何对其信用可靠性进行评估。各种贷方（银行、投资公司、信用卡公司）每天都会收到成千上万的申请，因此需要有一个自动决策系统帮助决定接受或拒绝申请。我们以德国银行数据为基础，构建一个客户信用评分模型。 　　数据中含有1000个申请者观察数据，21个变量，其中一个表示信用可靠性的二值变量（good_bad），其它意义如下： 社会人口变量 marital性别与婚姻状况 Age年龄 Resident在现在住所居住年数 个人和金