Geschäftskontext
Ein Einzelhandelsunternehmen hat ein Modell entwickelt, um die Anzahl der jährlichen Käufe von Kunden basierend auf Einkommen und Mitgliedschaftsdauer vorherzusagen. Das Data-Science-Team muss nun spezifische Kennzahlen (endgültige Schätzungen und Anpassungsgüte) validieren, ohne das Modell neu zu trainieren, um die Modellleistung für den Quartalsbericht zu bestätigen.
Datenaufbereitung
Erstellung eines Datensatzes 'RetailData' mit Kundeninformationen (Anzahl der Käufe, Einkommen, Mitgliedschaftsjahre).
Kopiert!
| 1 | |
| 2 | DATA casuser.RetailData; |
| 3 | call streaminit(123); |
| 4 | DO i = 1 to 200; |
| 5 | Income = rand('Normal', 50000, 10000); |
| 6 | YearsMember = rand('Poisson', 5); |
| 7 | Lambda = exp(-1 + 0.00002 * Income + 0.1 * YearsMember); |
| 8 | Purchases = rand('Poisson', Lambda); |
| 9 | OUTPUT; |
| 10 | END; |
| 11 | |
| 12 | RUN; |
| 13 |
Étapes de réalisation
1
Initiales Training des Modells und Speichern im Item-Store 'retail_store'.
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | countreg.countregFitModel TABLE='RetailData', model={depvar='Purchases', effects={'Income', 'YearsMember'}}, store={name='retail_store', replace=true}; |
| 4 | |
| 5 | RUN; |
| 6 |
2
Wiederherstellung und Anzeige spezifischer Berichte (Schätzungen und Zusammenfassung) aus dem Store.
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | countreg.countregViewStore TABLE='RetailData', instore='retail_store', viewOptions={finalEstimates=true, fitModelSummary=true}; |
| 4 | |
| 5 | RUN; |
| 6 |
Erwartetes Ergebnis
Die Aktion zeigt erfolgreich nur die Tabellen 'FitModelSummary' und 'FinalEstimates' an, was eine gezielte Überprüfung der Modellparameter ohne unnötige Informationsflut ermöglicht.