Contexto empresarial
Una compañía de seguros desea auditar un modelo de regresión de Poisson previamente entrenado que predice el número de reclamaciones anuales basándose en la edad del conductor y el tipo de vehículo. El objetivo es validar los coeficientes del modelo restaurado sin reentrenarlo.
Preparación de datos
Generación de datos de pólizas de seguros y creación del 'item store' inicial mediante countregFitModel.
¡Copiado!
| 1 | DATA mycas.seguros; |
| 2 | call streaminit(123); |
| 3 | DO id = 1 to 1000; |
| 4 | edad = 18 + floor(rand('UNIFORM') * 60); |
| 5 | tipo_coche = floor(rand('UNIFORM') * 3) + 1; |
| 6 | riesgo_base = -2 + (tipo_coche * 0.5) - (edad * 0.01); |
| 7 | lambda = exp(riesgo_base); |
| 8 | num_reclamaciones = rand('POISSON', lambda); |
| 9 | OUTPUT; |
| 10 | END; |
| 11 | RUN; |
| 12 | |
| 13 | PROC CAS; |
| 14 | countreg.countregFitModel / |
| 15 | TABLE={name='seguros'}, |
| 16 | model={depvar='num_reclamaciones', effects={'edad', {vars='tipo_coche', type='CLASS'}}}, |
| 17 | dist='POISSON', |
| 18 | store={name='modeloSeguros', replace=true}; |
| 19 | RUN; |
Étapes de réalisation
1
Inspección de las estimaciones finales y niveles de variables de clase del modelo restaurado.
¡Copiado!
| 1 | PROC CAS; |
| 2 | countreg.countregViewStore RESULT=r / |
| 3 | TABLE={name='seguros'}, |
| 4 | instore={name='modeloSeguros'}, |
| 5 | viewOptions={finalEstimates=true, classVarLevels=true}; |
| 6 | PRINT r; |
| 7 | RUN; |
Resultado esperado
La acción debe ejecutarse correctamente mostrando las tablas 'ClassInfo' (niveles de tipo_coche) y 'ParameterEstimates' (coeficientes de edad y tipo_coche) recuperadas del 'item store' sin realizar iteraciones de optimización.