Geschäftskontext
Eine Regionalbank möchte ein neues Kreditbewertungsmodell einführen, um Kreditausfälle vorherzusagen. Bevor das Modell produktiv gesetzt wird, muss die Stabilität des Entscheidungsbaums (Decision Tree) mittels einer 5-fachen Kreuzvalidierung überprüft werden, um Overfitting zu vermeiden.
Datenaufbereitung
Erstellung eines Datensatzes 'kredit_daten' mit Kundeninformationen wie Einkommen, Kreditbetrag und Zahlungshistorie.
Kopiert!
| 1 | |
| 2 | DATA casuser.kredit_daten; |
| 3 | call streaminit(123); |
| 4 | DO id = 1 to 1000; |
| 5 | einkommen = rand('Normal', 50000, 10000); |
| 6 | kredit_betrag = rand('Uniform', 1000, 20000); |
| 7 | vergangene_ausfaelle = rand('Poisson', 0.5); |
| 8 | IF (einkommen < 30000 and kredit_betrag > 10000) or vergangene_ausfaelle > 1 THEN ausfall = 1; |
| 9 | ELSE ausfall = 0; |
| 10 | OUTPUT; |
| 11 | END; |
| 12 | |
| 13 | RUN; |
| 14 |
Étapes de réalisation
1
Ausführung der 5-fachen Kreuzvalidierung mit einem Entscheidungsbaum.
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | mlTools.crossValidate / TABLE={name='kredit_daten'}, modelType='DECISIONTREE', kFolds=5, trainOptions={ target='ausfall', inputs={'einkommen', 'kredit_betrag', 'vergangene_ausfaelle'} }; |
| 4 | |
| 5 | RUN; |
| 6 |
Erwartetes Ergebnis
Die Aktion wird erfolgreich ausgeführt und liefert eine zusammenfassende Tabelle der Bewertungsmetriken (wie z.B. Fehlklassifikationsrate) für jeden der 5 Folds. Dies bestätigt die Basis-Funktionalität des Modells auf den simulierten Bankdaten.