В этом курсе обсуждаются избранные вопросы, касающиеся разработки и оптимизации эффективности предиктивных моделей в SAS Enterprise Miner. В курсе продолжается разработка моделей, которые обсуждаются в курсе «Прикладная аналитика с применением SAS Enterprise Miner Часть 1». В частности, обсуждаются некоторые новые узлы для моделирования, узел “two-stage model” и появившиеся недавно методы для отбора переменных.

Также рассматриваются темы:

1. Методы сокращения размерности и отбора переменных на основе метода главных компонент, регрессии частичных наименьших квадратов (PLS), регрессии наименьших углов (LAR), регрессии с L1 регуляризацией (LASSO).
2. Современные высокопроизводительные методы для решения задач прогнозирования на основе опорных векторов (SVM) и ансамблей деревьев решений (random forest).
3. Комбинированный метод решения задачи многоклассовой классификации в условиях несбалансированной обучающей выборки (PNRule).
4. Модели прогнозирования инкрементального отклика для задач маркетинга с целевой и контрольной группой (incremental response models).
5. Вопросы интеграции со сторонними аналитическими решениями на примере R и импорта внешних моделей.

Перед посещением этого курса рекомендуется, чтобы слушатели:

• Изучили курс «Прикладная аналитика с применением SAS Enterprise Miner Часть 1».
• Знали, как создавать и работать с наборами данных SAS в объёме курса «Основы программирования на языке SAS, часть 1»
• Имели некоторый опыт построения статистических моделей с помощью кода и библиотеки SAS/STAT
• Знали основы статистики, включающие линейную и логистическую регрессию.

В курсе используется программное обеспечение SAS Enterprise Miner.

Аудитория

Специалисты, занимающиеся построением сложных моделей в Enterprise Miner.

Основы построения предиктивных моделей в SAS Enterprise Miner

• Предварительная настройка SAS Enterprise Miner
• Основы статистического моделирования
• Деревья решений
• Регрессионные модели
• Нейронные сети
• Сравнение моделей

Улучшенные методы для сокращения размерности

• Метод главных компонент
• PLS-регрессия

Улучшенные методы для выбора интервальных переменных

• Кластеризация переменных
• LAR/LASSO

Улучшенные методы для выбора номинальных и интервальных переменных

• Эмпирический логит
• Метод сглаженной весомости признака
• Метод всех возможных регрессий (самостоятельное изучение)

Улучшенные предиктивные модели

• support vector machines (high performance)
• random forest (high performance)
• Вывод правил методом индукции
• Модели инкрементального отклика (самостоятельное изучение)

Предсказание нескольких целевых переменных

• Обобщенные матрицы потерь
• Базовые двухуровневые модели
• Создание компонентных моделей

Советы

• Узел Open Source Integration
• Повторное использование метаданных
• Импорт и использование внешних моделей (самостоятельное изучение)