Produce ponderaciones de clustering utilizando un modelo previamente almacenado.
| Parámetro | Descripción |
|---|---|
| allstats | Cuando se establece en True, agrega todas las estadísticas a la tabla de salida. |
| casOut | Especifica la configuración para una tabla de salida. |
| copyVars | Especifica una lista de una o más variables para ser copiadas de la tabla de entrada a la tabla de salida. Alternativamente, puede especificar el valor ALL, ALL_MODEL, o ALL_NUMERIC, que copia respectivamente todas las variables, todas las variables utilizadas en el modelado, o todas las variables numéricas de la tabla de entrada a la tabla de salida. |
| currClus | Especifica un prefijo para nombrar las estimaciones de probabilidad de pertenencia al clúster del paso de expectativa (E) que produjo las estimaciones de media y covarianza en el paso de maximización (M) final. |
| display | Especifica una lista de tablas de resultados para enviar al cliente para su visualización. |
| loglik | Especifica un prefijo para nombrar los logaritmos de verosimilitud del clúster. |
| maxpost | Especifica un prefijo para nombrar el clúster de máxima probabilidad posterior. |
| nextClus | Especifica un prefijo para nombrar las estimaciones de probabilidad de pertenencia al clúster de un paso de expectativa (E) adicional que utiliza las estimaciones de media y covarianza del paso de maximización (M) final. |
| outputTables | Lista los nombres de las tablas de resultados para guardarlas como tablas CAS en el servidor. |
| pred | Especifica un prefijo para nombrar los valores predichos. |
| restore | Especifica el almacén de elementos a utilizar en la puntuación. |
| role | Especifica el nombre de la columna que contiene el rol de la observación. |
| table | Especifica la tabla de datos de entrada. |
Primero, creamos un conjunto de datos de ejemplo y luego ejecutamos la acción mbcFit para generar un modelo que se guardará en un almacén de elementos. Este almacén se utilizará en los ejemplos de puntuación.
| 1 | PROC CAS; |
| 2 | SESSION casauto; |
| 3 | |
| 4 | /* Cargar datos a CAS */ |
| 5 | load DATA=sashelp.iris out=iris_data caslib='casuser' replace; |
| 6 | |
| 7 | /* Ajustar un modelo MBC y guardarlo */ |
| 8 | mbc.mbcFit / |
| 9 | TABLE={name='iris_data' caslib='casuser'} |
| 10 | effects={'SepalLength', 'SepalWidth', 'PetalLength', 'PetalWidth'} |
| 11 | nClusters=3 |
| 12 | store={name='mbc_store', caslib='casuser', replace=true}; |
| 13 | RUN; |
| 14 | QUIT; |
Este ejemplo utiliza el almacén de elementos 'mbc_store' creado previamente para puntuar los datos de entrada 'iris_data' y guardar los resultados en 'iris_scored'.
| 1 | |
| 2 | PROC CAS; |
| 3 | mbc.mbcScore / TABLE={name='iris_data', caslib='casuser'} restore={name='mbc_store', caslib='casuser'} casOut={name='iris_scored', caslib='casuser', replace=true} copyVars={'Species'}; |
| 4 | |
| 5 | RUN; |
| 6 | |
| 7 | QUIT; |
| 8 |
Este ejemplo muestra cómo puntuar los datos y personalizar los nombres de las variables de salida para la pertenencia al clúster, la probabilidad posterior máxima y el log-verosimilitud del clúster, además de solicitar todas las estadísticas disponibles.
| 1 | |
| 2 | PROC CAS; |
| 3 | mbc.mbcScore / TABLE={name='iris_data', caslib='casuser'} restore={name='mbc_store', caslib='casuser'} casOut={name='iris_scored_detailed', caslib='casuser', replace=true} copyVars={'ALL'} maxpost='Cluster_Asignado' pred='Prob_Pertenencia' loglik='LogVerosimilitud' allstats=true; |
| 4 | |
| 5 | RUN; |
| 6 | |
| 7 | QUIT; |
| 8 |