首页 > 数字化资讯 > 大数据 > SAS可视化建模统计工具的特性

SAS可视化建模统计工具的特性

来源: 云巴巴 2019-10-28 16:38:29

探索性建模（可通过SAS可视化分析探索获得）

在大型数据集中，快速解读复杂联系以及重要变量对预测建模产出的影响。
了解单个变量对模型整体提升度的影响。
侦测异常值和/或影响因子，让您可以在后续分析中判别、捕获和删除它们。
图形化的数据探索，包括条形图、柱状图、箱图、热力图、气泡图、地图和更多图形（使用SAS可视化分析探索）。
根据相关矩阵、散点图和热力图和箱图直接派生出新的模型。
得到预测输出或细分结果，可直接应用到其它建模或可视化任务中。得到的输出可以存储和传送给缺少建模能力的用户使用。
生成模型评分代码。如果某个模型包含从其它模型（如叶节点、聚类节点等）产生的输出，将自动连接起来生成评分代码。

交互式的描述性建模和预测建模技术

过滤观测。
交互式去除异常值，模型自动重新拟合。
用户自定义的事件水平。

模型自动更新，包括如下建模技术：

聚类
- k-均值聚类。
- 用于评估聚类成员关系的轮廓图。
- 输入变量的散点图，用于反映小数据集的聚类特征；以及反映大数据集的聚类特征交叠的热力图。
- 可以出处聚类群组变量，用于进一步分析。
- 详细的汇总统计（各聚类的均值、每个聚类的观测个数等等）。
- 生成按需聚类节点作为一个新的列。
分类树
- 基于C4.5算法（信息增益或信息增益比率）。
- 树的交互式生长或修剪。
- 设置树的深度、最大分支数、叶子大小、修剪的强度等等。
- 对变量进行分箱处理，可自行决定分箱个数。
- 可通过为树图或概览图来交互式地探索树的结构。
- 生成按需聚类节点作为一个新的列。
广义线性模型
- 支持各种统计分布，包括beta、normal、binary、exponential、gamma、geometric, Poisson, inverse Gaussian 和 negative binomial。
- 设置收敛和迭代条件。
- 支持偏移变量。
- 对变量进行频数和加权处理。
- 残差诊断。
- 汇总表包括模型汇总、迭代历史、拟合统计、第三类检验和参数估计。
- 针对预测变量的缺失值处理选项。
- 按需生成预测值和残差并作为新的列。
逻辑回归
- 使用logit和probit链接函数来对二值数据进行建模。
- 影响统计量。
- 变量选取。
- 支持偏移变量。
- 对变量进行频数和加权处理。
- 残差诊断。
- 汇总表包括模型维度、迭代历史、拟合统计、收敛状态、第三类检验、参数估计和相应剖面。
- 针对预测变量的缺失值处理选项。
- 按需生成预测标签和预测事件可能性并作为新的列。调整预测阈值，以标记某个观测是否为事件。
线性回归
- 影响统计量。
- 变量选取。
- 对变量进行频数和加权处理。
- 残差诊断。
- 汇总表包括方差分析、模型维度、拟合统计、模型方差分析、第三类检验和参数估计。
- 针对预测变量的缺失值处理选项。
- 按需生成预测值和残差并作为新的列。
分组处理
- 针对每个群组，构建模型、计算和处理结果，无需每次进行数据排序或建立索引。
- 在决策树或聚类分析中立即建立基于群组的模型（例如：分层建模）。
模型评估与比较
- 生成模型比较汇总信息，例如提升图、ROC图、一致性统计和误分类率等评价指标。
- 交互式地滑动调整预测阈值，用于自动化更新评估统计和误分类率指标。
- 针对不同分位数，交互式评估提升度。
模型评分
- 将模型导出为SAS数据步代码，从而与其它应用进行整合。如果某个模型包含从其它模型得出的输出，将自动连结评分代码。