Скоринг данных с использованием прогнозных моделей Глава

Процесс применения прогнозной модели к набору данных называется скорингом данных. В IBM® SPSS® Statistics имеются процедуры для построения прогнозных моделей, таких как модели регрессии, кластеризации, деревьев и нейронных сетей. После того как модель построена, спецификации этой модели можно сохранить в файле, который содержит всю информацию, необходимую для реконструирования модели. Затем этот файл модели можно использовать, чтобы сгенерировать предсказанные значения для других наборов данных. (Примечание: Некоторые модели создают XML-файл модели, а некоторые процедуры

– ZIP-файл архива.)

Пример. Отдел прямого маркетинга компании использует результаты пробной рассылки, чтобы приписать значения склонности к совершению покупки субъектам остальной части контактной базы данных, используя при этом различные демографические характеристики, с тем чтобы выявить тех, кто с наибольшей вероятностью откликнется на предложение и совершит покупку.

Скоринг можно рассматривать как преобразование данных. Модель представляет

собой числовые преобразования, применяемые к определенным полям (переменным) – предикторам, заданным в модели, чтобы в результате получить прогнозные значения. В этом отношении процесс скоринга данных для имеющейся модели аналогичен применению какой-либо функции к набору данных, например, функции извлечения квадратного корня.

Процесс скоринга состоит из двух основных этапов:

E   Построение модели и ее сохранение в файле. Модель строится с использованием набора данных, для которого известны значения интересующей переменной (часто называемой целевой). Например, если необходимо построить модель, чтобы предсказать, кто откликнется на кампанию прямой рассылки, нужно начать с набора данных, который уже содержит информацию о том, кто откликнулся, а кто нет.  Например, он может быть

результатом пробной рассылки небольшой группе клиентов или информацией об откликах для аналогичной кампании, проводившейся ранее.

Примечание: Для некоторых типов моделей целевая переменная отсутствует. Например, модели кластеризации и некоторые модели ближайших соседей не имеют целевой переменной.

E   Применение построенной модели к другому набору данных (для которого неизвестны значения целевой переменной), чтобы получить прогнозные значения целевой переменной. Дополнительную информацию см. данная тема Конструктор скоринга на стр. 324.

В приведенной ниже таблице перечислены процедуры, поддерживающие экспорт спецификаций модели в файл модели. В столбце “Модуль” указан дополнительный модуль, в который включена процедура.

Имя процедуры	Имя команды	Модуль
Дискриминантный анализ	DISCRIMINANT	Statistics Base
Линейная регрессия	REGRESSION	Statistics Base
Автоматизированные линейные модели	LINEAR	Statistics Base
Двухэтапный кластерный анализ	TWOSTEP CLUSTER	Statistics Base
Ближайшие соседи	KNN	Statistics Base
Регрессия Кокса	COXREG	Advanced Statistics
Обобщенные линейные модели	GENLIN	Advanced Statistics
Обобщенные уравнения оценки	GENLIN	Advanced Statistics
Обобщенные линейные смешанные модели	GENLINMIXED	Advanced Statistics
Общая линейная модель для сложных выборок	CSGLM	Complex Samples
Логистическая регрессия для сложных выборок	CSLOGISTIC	Complex Samples
Порядковая регрессия для сложных выборок	CSORDINAL	Complex Samples
Регрессия Кокса для сложных выборок	CSCOXREG	Complex Samples
Логистическая регрессия	LOGISTIC REGRESSION	Регрессия
Мультиномиальная логистическая регрессия	NOMREG	Регрессия
Decision Tree	TREE	Decision Tree
Многослойный перцептрон	MLP	Neural Networks
Радиальная базисная функция	RBF	Neural Networks
Выявление аномалий	DETECTANOMALY	Data Preparation
Наивный Байес	NAIVEBAYES	SPSS Statistics Server

Источник: Руководство пользователя по базовой системе Statistics 20