آموزش مدل‌سازی پیش‌بینانه با رگرسیون لجستیک در SAS - آخرین آپدیت

مرور دوره و درک مدل‌سازی پیش‌بینانه Course Overview & Understanding Predictive Modeling

• آشنایی با مدرس Meet the Instructor

• مرور کلی Overview

• مقدمه Introduction

• اهداف مدل‌سازی پیش‌بینانه Goals of Predictive Modeling

• اصطلاحات عناصر در مدل‌سازی پیش‌بینانه Terms for Elements in Predictive Modeling

• مراحل پایه مدل‌سازی پیش‌بینانه Basic Steps of Predictive Modeling

• کاربردهای مدل‌سازی پیش‌بینانه Applications of Predictive Modeling

• سناریوی عملی: بازاریابی هدفمند برای یک بانک Demonstration Scenario: Target Marketing for a Bank

• دمو: بررسی کد تولید آمار توصیفی و جداول فراوانی Demo: Examining the Code for Generating Descriptive Statistics and Frequency Tables

• مقدمه Introduction

• چالش‌های داده‌ها Data Challenges

• چالش‌های تحلیلی Analytical Challenges

• نمونه‌برداری مجزا Separate Sampling

• اجتناب از سوگیری خوش‌بینی: ارزیابی صادقانه Avoiding the Optimism Bias: Honest Assessment

• تقسیم داده‌ها برای آموزش و ارزیابی مدل Splitting the Data for Model Training and Assessment

• دمو: تقسیم‌بندی داده‌ها Demo: Splitting the Data

برازش مدل Fitting the Model

• مرور کلی Overview

• مقدمه Introduction

• درک مدل رگرسیون لجستیک Understanding the Logistic Regression Model

• محدود کردن احتمال پسین با استفاده از تبدیل Logit Constraining the Posterior Probability Using the Logit Transformation

• درک سطح برازش شده (Fitted Surface) Understanding the Fitted Surface

• تفسیر مدل از طریق محاسبه نسبت شانس (Odds Ratio) Interpreting the Model by Calculating the Odds Ratio

• درک تشخیص لجستیک (Logistic Discrimination) Understanding Logistic Discrimination

• تخمین پارامترهای ناشناخته با استفاده از تخمین حداکثر احتمال (MLE) Estimating Unknown Parameters Using Maximum Likelihood Estimation

• تفسیر جفت‌های موافق، مخالف و برابر Interpreting Concordant, Discordant, and Tied Pairs

• استفاده از PROC LOGISTIC برای برازش مدل‌های رگرسیون لجستیک Using PROC LOGISTIC to Fit Logistic Regression Models

• دمو: برازش یک مدل رگرسیون لجستیک پایه، بخش اول Demo: Fitting a Basic Logistic Regression Model, Part 1

• دمو: برازش یک مدل رگرسیون لجستیک پایه، بخش دوم Demo: Fitting a Basic Logistic Regression Model, Part 2

• امتیازدهی به موارد جدید Scoring New Cases

• دمو: امتیازدهی به موارد جدید Demo: Scoring New Cases

• مقدمه Introduction

• درک اثر بیش‌نمونه‌برداری (Oversampling) Understanding the Effect of Oversampling

• درک مفهوم Offset Understanding the Offset

• دمو: اصلاح اثرات بیش‌نمونه‌برداری Demo: Correcting for Oversampling

آماده‌سازی متغیرهای ورودی، بخش اول Preparing the Input Variables, Part 1

• مرور کلی Overview

• مقدمه Introduction

• دلایل گم شدن داده‌ها Reasons for Missing Data

• تحلیل موارد کامل (Complete Case Analysis) Complete Case Analysis

• روش‌های جایگزینی مقادیر گم‌شده (Imputation) Methods for Imputing Missing Values

• جایگزینی مقادیر گم‌شده با متغیرهای نشانگر Missing Value Imputation with Missing Value Indicator Variables

• دمو: جایگزینی مقادیر گم‌شده Demo: Imputing Missing Values

• جایگزینی خوشه‌ای (Cluster Imputation) Cluster Imputation

• مقدمه Introduction

• مشکلات ناشی از ورودی‌های طبقه‌بندی شده Problems Caused by Categorical Inputs

• راهکارهای رفع مشکلات ورودی‌های طبقه‌بندی شده Solutions to Problems Caused by Categorical Inputs

• اتصال به سایر مجموعه‌داده‌ها Linking to Other Data Sets

• ادغام دسته‌ها از طریق تعیین آستانه Collapsing Categories by Thresholding

• ادغام دسته‌ها با استفاده از روش Greenacre Collapsing Categories by Using Greenacre's Method

• دمو: ادغام سطوح یک ورودی اسمی، بخش اول Demo: Collapsing the Levels of a Nominal Input, Part 1

• دمو: ادغام سطوح یک ورودی اسمی، بخش دوم Demo: Collapsing the Levels of a Nominal Input, Part 2

• جایگزینی سطوح طبقه‌بندی شده با کدگذاری وزن شواهد هموار Replacing Categorical Levels by Using Smoothed Weight-of-Evidence Coding

• دمو: محاسبه وزن شواهد هموار Demo: Computing the Smoothed Weight of Evidence

• مقدمه Introduction

• مشکل افزونگی (Redundancy) Problem of Redundancy

• روش خوشه‌بندی متغیرها Variable Clustering Method

• درک مؤلفه‌های اصلی (Principal Components) Understanding Principal Components

• خوشه‌بندی تقسیمی (Divisive Clustering) Divisive Clustering

• سینتکس PROC VARCLUS PROC VARCLUS Syntax

• انتخاب یک متغیر نماینده از هر خوشه Selecting a Representative Variable from Each Cluster

• دمو: کاهش افزونگی از طریق خوشه‌بندی متغیرها Demo: Reducing Redundancy by Clustering Variables

آماده‌سازی متغیرهای ورودی، بخش دوم Preparing the Input Variables, Part 2

• مقدمه Introduction

• شناسایی روابط غیرخطی Detecting Nonlinear Relationships

• دمو: انجام غربالگری متغیرها، بخش اول Demo: Performing Variable Screening, Part 1

• دمو: انجام غربالگری متغیرها، بخش دوم Demo: Performing Variable Screening, Part 2

• باکت‌بندی (Binning) و هموارسازی تک‌متغیره Univariate Binning and Smoothing

• دمو: ایجاد نمودارهای Logit تجربی Demo: Creating Empirical Logit Plots

• راهکارهای رفع روابط غیرخطی Remedies for Nonlinear Relationships

• دمو: مدیریت رابطه غیرخطی، بخش اول Demo: Accommodating a Nonlinear Relationship, Part 1

• دمو: مدیریت رابطه غیرخطی، بخش دوم Demo: Accommodating a Nonlinear Relationship, Part 2

• مقدمه Introduction

• تعیین روش انتخاب زیرمجموعه در PROC LOGISTIC Specifying a Subset Selection Method in PROC LOGISTIC

• انتخاب بهترین زیرمجموعه‌ها (Best Subsets Selection) Best-Subsets Selection

• انتخاب گام‌به‌گام (Stepwise Selection) Stepwise Selection

• حذف رو به عقب (Backward Elimination) Backward Elimination

• مقیاس‌پذیری روش‌های انتخاب زیرمجموعه در PROC LOGISTIC Scalability of the Subset Selection Methods in PROC LOGISTIC

• شناسایی اثرات متقابل (Interactions) Detecting Interactions

• سطح معناداری بر اساس BIC BIC-based Significance Level

• دمو: شناسایی اثرات متقابل Demo: Detecting Interactions

• دمو: استفاده از حذف رو به عقب برای انتخاب زیرمجموعه متغیرها Demo: Using Backward Elimination to Subset the Variables

• دمو: نمایش نسبت‌های شانس برای متغیرهای دارای اثر متقابل Demo: Displaying Odds Ratios for Variables Involved in Interactions

• دمو: ایجاد نمودار اثر متقابل Demo: Creating an Interaction Plot

• دمو: استفاده از روش انتخاب بهترین زیرمجموعه‌ها Demo: Using the Best-Subsets Selection Method

• دمو: استفاده از آماره‌های برازش برای انتخاب مدل Demo: Using Fit Statistics to Select a Model

اندازه‌گیری عملکرد مدل Measuring Model Performance

• مرور کلی Overview

• مقدمه Introduction

• برازش در مقابل پیچیدگی Fit versus Complexity

• ارزیابی مدل‌ها در زمان کمیابی داده‌های رویداد هدف Assessing Models when Target Event Data Is Rare

• دمو: آماده‌سازی داده‌های اعتبارسنجی Demo: Preparing the Validation Data

• مقدمه Introduction

• درک ماتریس اغالت (Confusion Matrix) Understanding the Confusion Matrix

• اندازه‌گیری عملکرد در نقاط برش مختلف با استفاده از منحنی ROC Measuring Performance across Cutoffs by Using the ROC Curve

• انتخاب عمق با استفاده از نمودار Gains Choosing Depth by Using the Gains Chart

• اثرات داده‌های بیش‌نمونه‌برداری شده بر معیارهای عملکرد Effects of Oversampled Data on Performance Measures

• اصلاح ماتریس اغالت برای بیش‌نمونه‌برداری Adjusting a Confusion Matrix for Oversampling

• دمو: اندازه‌گیری عملکرد مدل بر اساس معیارهای رایج Demo: Measuring Model Performance Based on Commonly-Used Metrics

• مقدمه Introduction

• درک اثر نقاط برش (Cutoffs) بر ماتریس‌های اغالت Understanding the Effect of Cutoffs on Confusion Matrices

• درک ماتریس سود (Profit Matrix) Understanding the Profit Matrix

• انتخاب نقطه برش بهینه با استفاده از ماتریس سود Choosing the Optimal Cutoff by Using the Profit Matrix

• استفاده از نقطه برش مرکزی Using the Central Cutoff

• استفاده از سود برای ارزیابی برازش Using Profit to Assess Fit

• محاسبه وزن‌های نمونه‌برداری Calculating Sampling Weights

• دمو: استفاده از ماتریس سود برای اندازه‌گیری عملکرد مدل Demo: Using a Profit Matrix to Measure Model Performance

• مقدمه Introduction

• رسم جداسازی کلاس‌ها Plotting Class Separation

• ارزیابی قدرت پیش‌بینی کلی Assessing Overall Predictive Power

• دمو: استفاده از آماره K S برای اندازه‌گیری عملکرد مدل Demo: Using the K-S Statistic to Measure Model Performance

• مقدمه Introduction

• مقایسه منحنی‌های ROC برای چندین مدل Comparing ROC Curves of Several Models"

• دمو: مقایسه منحنی‌های ROC برای اندازه‌گیری عملکرد مدل Demo: Comparing ROC Curves to Measure Model Performance

• استفاده از ماکروها برای مقایسه مدل‌های متعدد Using Macros to Compare Many Models

• دمو: مقایسه و ارزیابی مدل‌های متعدد، بخش اول Demo: Comparing and Evaluating Many Models, Part 1

• دمو: مقایسه و ارزیابی مدل‌های متعدد، بخش دوم Demo: Comparing and Evaluating Many Models, Part 2

آزمون تمرینی گواهینامه SAS: تحلیل آماری کسب‌وکار با SAS - رگرسیون و مدل‌سازی SAS Certification Practice Exam - Statistical Business Analysis Using SAS®9: Regression and Modeling