Geschäftskontext
Eine Versicherungsgesellschaft analysiert die Schadenshäufigkeit in einem großen Portfolio. Vor dem Deployment in die Produktion muss sichergestellt werden, dass alle Aspekte des gespeicherten Modells (einschließlich Optimierereinstellungen und Klassifikationsstufen) korrekt abgerufen werden können, selbst wenn das zugrunde liegende Datenschema komplex ist.
Datenaufbereitung
Simulation eines größeren Datensatzes 'InsuranceClaims' mit 5000 Policen und Risikofaktoren.
Kopiert!
| 1 | |
| 2 | DATA casuser.InsuranceClaims; |
| 3 | call streaminit(999); |
| 4 | DO i = 1 to 5000; |
| 5 | RiskScore = rand('Uniform'); |
| 6 | DriverAge = 18 + floor(rand('Exponential') * 10); |
| 7 | Lambda = exp(-2 + 1.5 * RiskScore - 0.01 * DriverAge); |
| 8 | Claims = rand('Poisson', Lambda); |
| 9 | OUTPUT; |
| 10 | END; |
| 11 | |
| 12 | RUN; |
| 13 |
Étapes de réalisation
1
Training und Speicherung des Risikomodells im Store 'insurance_model'.
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | countreg.countregFitModel TABLE='InsuranceClaims', model={depvar='Claims', effects={'RiskScore', 'DriverAge'}}, store={name='insurance_model', replace=true}; |
| 4 | |
| 5 | RUN; |
| 6 |
2
Abruf aller verfügbaren Informationen des Modells mit der Option 'all=true'.
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | countreg.countregViewStore TABLE='InsuranceClaims', instore='insurance_model', viewOptions={all=true}; |
| 4 | |
| 5 | RUN; |
| 6 |
Erwartetes Ergebnis
Es werden sämtliche verfügbaren Tabellen generiert (Modellinfo, Optimierer, Schätzungen, etc.), was die vollständige Integrität des gespeicherten Modells bestätigt.