L'action logisticScore crée une table sur le serveur qui contient les résultats du scoring des observations à l'aide d'un modèle ajusté. Cette action est essentielle après avoir entraîné un modèle de régression logistique pour appliquer ce modèle à de nouvelles données (ou aux mêmes données) et générer des prédictions, des probabilités et d'autres statistiques de diagnostic.
| Paramètre | Description |
|---|---|
| alpha | Spécifie le niveau de significativité à utiliser pour la construction des intervalles de confiance. Par défaut, il est défini sur le niveau de significativité global. |
| casOut | Spécifie les paramètres de la table de sortie où les résultats du scoring seront sauvegardés. |
| cBar | Nomme la variable pour le déplacement de l'intervalle de confiance (C), qui mesure le changement global des estimations de régression dû à la suppression de l'observation individuelle. |
| copyVars | Spécifie une liste d'une ou plusieurs variables à copier de la table d'entrée vers la table de sortie. |
| difChisq | Nomme la variable pour la variation de la statistique du chi-carré de Pearson attribuable à la suppression de l'observation individuelle. |
| difDev | Nomme la variable pour la variation de la déviance attribuable à la suppression de l'observation individuelle. |
| display | Spécifie une liste de tables de résultats à envoyer au client pour affichage. |
| fitData | Lorsque défini sur True, spécifie que les données à scorer ont également été utilisées pour ajuster le modèle. |
| h | Nomme la variable pour l'effet de levier (leverage) de l'observation. |
| into | Nomme la variable pour le niveau de réponse prédit. |
| intoCutpt | Spécifie la probabilité d'événement prédite qui détermine le niveau de réponse binaire prédit. |
| ipred | Nomme la variable pour la valeur prédite individuelle pour un lien cumulatif. |
| lcl | Nomme la variable pour la borne inférieure d'un intervalle de confiance pour le prédicteur linéaire. |
| lclm | Nomme la variable pour la borne inférieure d'un intervalle de confiance pour la moyenne. |
| level | Nomme la variable pour le niveau de réponse ordonné. |
| obscat | Lorsque défini sur True, calcule les statistiques de sortie multinomiales au niveau de réponse observé. |
| outputTables | Liste les noms des tables de résultats à sauvegarder en tant que tables CAS sur le serveur. |
| post | Nomme la variable pour la valeur prédite a posteriori. |
| pred | Nomme la variable pour la valeur prédite. |
| predprobs | Lorsque défini sur True, affiche les probabilités prédites multinomiales demandées en tant que variables distinctes. |
| resChi | Nomme la variable pour le résidu du chi-carré de Pearson. |
| resDev | Nomme la variable pour le résidu de déviance. |
| resLik | Nomme la variable pour le résidu de vraisemblance (déplacement de vraisemblance). |
| resRaw | Nomme la variable pour le résidu brut. |
| restore | Restaure les modèles de régression à partir d'un objet binaire volumineux (BLOB). |
| resWork | Nomme la variable pour le résidu de travail. |
| role | Identifie les rôles d'entraînement, de validation et de test pour les observations. |
| stdResChi | Nomme la variable pour le résidu du chi-carré de Pearson standardisé. |
| stdResDev | Nomme la variable pour le résidu de déviance standardisé. |
| stdXBeta | Nomme la variable pour l'erreur standard du prédicteur linéaire. |
| table | Spécifie la table de données d'entrée à scorer. |
| ucl | Nomme la variable pour la borne supérieure d'un intervalle de confiance pour le prédicteur linéaire. |
| uclm | Nomme la variable pour la borne supérieure d'un intervalle de confiance pour la moyenne. |
| xBeta | Nomme la variable pour le prédicteur linéaire. |
Avant de pouvoir utiliser l'action `logisticScore`, il faut d'abord entraîner un modèle de régression logistique et le sauvegarder. Cet exemple montre comment créer un jeu de données, entraîner un modèle simple et le sauvegarder dans un item store CAS.
| 1 | PROC CAS; |
| 2 | LOADACTIONSET 'regression'; |
| 3 | /* 1. Créer un jeu de données */ |
| 4 | DATA mycas.hmeq_score; |
| 5 | SET sampsio.hmeq; |
| 6 | RUN; |
| 7 | |
| 8 | /* 2. Entraîner le modèle logistique */ |
| 9 | regression.logistic |
| 10 | TABLE={name='hmeq'}, |
| 11 | class={'job','reason'}, |
| 12 | model={depvar='bad', effects={'loan','mortdue','value','reason','job','yoj'}}, |
| 13 | store={name='myModelStore', replace=true}; |
| 14 | RUN; |
| 15 | QUIT; |
Cet exemple utilise le modèle sauvegardé dans `myModelStore` pour scorer le jeu de données `hmeq_score` et crée une table de sortie `hmeq_scored` contenant les prédictions.
| 1 | PROC CAS; |
| 2 | regression.logisticScore |
| 3 | restore={name='myModelStore'}, |
| 4 | TABLE={name='hmeq_score'}, |
| 5 | casOut={name='hmeq_scored', replace=true}; |
| 6 | RUN; |
| 7 | QUIT; |
Cet exemple montre comment générer des statistiques de scoring spécifiques, telles que les probabilités prédites, les bornes de confiance pour la moyenne et les résidus bruts. Les noms des nouvelles variables sont personnalisés.
| 1 | PROC CAS; |
| 2 | regression.logisticScore |
| 3 | restore={name='myModelStore'}, |
| 4 | TABLE={name='hmeq_score'}, |
| 5 | copyVars={'bad', 'loan', 'value'}, |
| 6 | pred='P_bad1', |
| 7 | lclm='LCLM_bad1', |
| 8 | uclm='UCLM_bad1', |
| 9 | resRaw='Resid_bad1', |
| 10 | casOut={name='hmeq_scored_detailed', replace=true}; |
| 11 | RUN; |
| 12 | QUIT; |
Pour un modèle multinomial, cet exemple génère les probabilités prédites pour chaque niveau de la variable de réponse et les stocke dans des variables distinctes.
| 1 | PROC CAS; |
| 2 | regression.logisticScore |
| 3 | restore={name='myModelStore'}, |
| 4 | TABLE={name='hmeq_score'}, |
| 5 | predProbs=true, |
| 6 | casOut={name='hmeq_scored_probs', replace=true}; |
| 7 | RUN; |
| 8 | QUIT; |
Cet exemple classifie les observations dans une catégorie prédite en utilisant un seuil de probabilité personnalisé de 0.6 au lieu de la valeur par défaut de 0.5. Le résultat est stocké dans une nouvelle variable nommée `Classification_60pct`.
| 1 | PROC CAS; |
| 2 | regression.logisticScore |
| 3 | restore={name='myModelStore'}, |
| 4 | TABLE={name='hmeq_score'}, |
| 5 | into='Classification_60pct', |
| 6 | intoCutpt=0.6, |
| 7 | casOut={name='hmeq_scored_custom_cut', replace=true}; |
| 8 | RUN; |
| 9 | QUIT; |