用SPSS Modeler 建立线性回归预测模型
2015-12-28 MedSci MedSci原创
SPSS Modeler 是一组数据挖掘工具，通过这些工具可以采用商业技术快速建立预测性模型， 并将其应用于商业活动，从而改进决策过程。将通过一个理赔欺诈检测的实际商业应用来介绍如何用 IBM SPSS Modeler 建立、分析及应用线性回归分析模型。实际上，医学数据模型与之十分类似。 回归分析（Regression Analysis）是一种统计学上对数据进行分析的方法，主要是希望探讨数据
SPSS Modeler 是一组数据挖掘工具，通过这些工具可以采用商业技术快速建立预测性模型， 并将其应用于商业活动，从而改进决策过程。将通过一个理赔欺诈检测的实际商业应用来介绍如何用 IBM SPSS Modeler 建立、分析及应用线性回归分析模型。实际上，医学数据模型与之十分类似。
回归分析（Regression Analysis）是一种统计学上对数据进行分析的方法，主要是希望探讨数据之间是否有一种特定关系。线性回归分析是最常见的一种回归分析， 它用线性函数来对因变量及自变量进行建模（自变量和因变量都必须是连续型变量）， 这种方式产生的模型称为线性模型。线性回归模型由于其运算速度快、直观性强以及参数易于确定等特点， 在实践中应用最为广泛，也是建立预测模型的重要手段之一。
用线性回归建立理赔欺诈检测模型在本例中，用于建立模型的数据存放在 InsClaim.dat 中，该文件是一个 CSV 格式的数据文件， 存储了某医院以往医疗保险理赔的历史记录。该文件共有 293 条记录，每条记录有 4 个字段， 分别是 ASG（疾病严重程度）、AGE（年龄）、LOS（住院天数）和 CLAIM（索赔数额）。 图 1 显示了该数据的部分内容。
图 1. 历史理赔数据文件
任务与计划
基于已有的数据，我们的任务主要有如下内容：
- 建立理赔金额预测模型，该模型将基于病人的疾病严重程度、住院天数及年龄预测其索赔金额。
- 假设模型匹配良好，分析那些与预测误差较大的病人资料。
- 通过模型来进行索赔欺诈预测。
根据经验及对数据进行的初步分析（这个数据初步分析可以通过 IBM SPSS Modeler 的功能实现，此处不是重点， 故不做深入介绍），可以猜测理赔金额与疾病严重程度、住院天数以及年龄存在线性相关关系，因此我们将首先 选用线性回归模型进行建模，因此可以得到下面这样一个初步计划：
- 应用线性回归分析来建立模型。
- 如果模型匹配度不佳，则可能应用更加复杂的模型，例如神经网络、规则推导等。
基于上面的分析，我们容易得到目标模型的因变量为 CLAIM，自变量为 ASG、AGE 和 LOS。在建立模型之前，我们可以 对该模型进行一些猜测，以下是根据经验能想到的一些假设：
- 随着住院天数的增加，索赔金额增加
- 随着疾病严重程度的增加，索赔金额增加
- 随着年龄的增加，索赔金额增加
在建立好模型后，我们会根据模型来验证或推翻这些假设。
用 IBM SPSS Modeler 创建 stream 文件
根据任务要求，我们在 IBM SPSS Modeler 中建立如图 2 所示的 stream 文件。在该 stream 中，InsClaim.dat 作为数据源节点， 它通过一个类型节点（type）进行数据处理后输入到模型节点（CLAIM），在本例中，输出节点（table）作为一个测试节 点，可以用于查看类型节点处理后产生的数据。
图 2. 理赔预测模型 stream 示例图
设置类型（type）节点
从前面的分析可见，CLAIM 是因变量，在类型节点中须作为目标变量（Target），而其余三个字段（ASG、AGE 和 LOS） 则是自变量，在类型节点中须设置为输入变量（Input）。
需要注意的是，在线性回归分析模型中，要求所有变量（包括自变量和因变量）都是连续类型。 如果数据中有非数字类型，比如 Category 或者 Flag，则需要预先转换为数字型。图 3 显示了类型节点设置的具体情况。
图 3. 类型节点设置图
模型节点设置
在设置好类型节点后，我们可以双击 CLAIM 节点，对模型节点进行设置。首先设置 Model 标签页中的选项。 从图 4 可以看到设置的具体信息，Model Name 有自动和定制两种类型，在自动方式下，模型名称自动设置 为目标变量的名字（CLAIM）。本模型的输入信息并没有分组，因此 Use partitioned data 和 Build model for each split 的选择与否并无关系。Method 选项将选择输入字段的选择方式，由于本例中的输入字段较少，可以使用默认的 Enter 模式。 在字段较多的情况下，可以选择 StepWise、Forward 和 Backward 中的一种，它们会采用不同的统计学方式对输入字段进行筛选。 Include constant in equation 选项表示模型中是否包含常量（即截距），在本例中，由于每次理赔会有一个起始额度，因此选中该选项。
图 4. 模型节点的 Model 页设置图
在 Expert 页中可以设置一些模型的高级选项。在我们选择了专家模式后，可以设置两个选项内容：
- Missing Values ——当选中该选项，会忽略那些含有 Missing Value 的记录。 （默认选项，通常应该使用这个选项，除非你非常有经验，清楚知道 Missing Value 对该模型的影响）
- Singularity tolerance ——用来防止相关变量影响模型准确度。 该值越小，表示相似性越高，也就说明排除的可能性越低。有些统计师倾向于把 该值设置的稍大，比如 .05（在本例中是 .0001）
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#model#
71
#线性回归#
80
Mark
142
#预测模型#
61
收藏了
125
这是给保险公司用的么
172
不错哦
122
赞一个
152
有意思
106
学习le
107