评估模型

我们已通过浏览模型了解了评分方式。但是，如果要评估模型的准确度，那么需要对一些记录进行评分，并将模型预测的响应与实际结果进行比较。我们将对用于估算模型的同一记录进行评分，从而对观察到的响应与预测响应进行比较。

要查看分数或预测值，请将表节点添加到模型块，然后双击“表”节点，并单击运行。
表在名为 $R-Credit rating 的字段中显示预测分数，该字段由模型创建。我们可以将这些值与包含实际响应的原始信用评价字段进行比较。

按照惯例，在评分过程中生成的字段的名称基于目标字段，但是要加上标准前缀。前缀 $G 和 $GE 由广义线性模型生成，$R 是用于本例中的 CHAID 模型所生成的预测的前缀，$RC 用于置信度值，$X 通常是使用整体生成的，而 $XR、$XS 和 $XF 在目标字段分别为“连续”、“分类”、“集合”或“标志”字段的情况下用作前缀。不同的模型类型使用不同的前缀集。置信度值是模型自身对每个预测值的准确度的估计，范围为 0.0 到 1.0。

图 2. 显示已生成的评分和置信度值的表

与预期的一样，预测值与大多数（并非全部）记录的实际响应相匹配。出现此情况的原因是每个 CHAID 终端节点都具有混合响应。预期值与 最常见 的响应相匹配，但对于该节点中的其他响应，该预期值是错误的。（记住，16% 的少部分低收入客户没有拖欠。）

为了避免出现这种情况，可以继续将树拆分为越来越小的分支，直到每个节点都只包含优良或不良响应为止。但是，这样的模型可能会非常复杂，并且不易推广到其他数据集。

要查看具体有多少预测值正确，我们可通读表格，并计算预测字段 $R-Credit rating 的值匹配信用评价的值的记录数量。幸运的是，有更简单的方法 - 我们可以使用自动执行此操作的“分析”节点。
将模型块连接到“分析”节点。
双击“分析”节点，然后单击运行。

分析表明，对于 2464 条记录中的 1899 条记录（超过 77%），模型预测的值与实际响应相匹配。

此结果受到评分的记录和用于评估模型的记录相同的事实的限制。在真实情况中，可使用分区节点将数据拆分为培训和评估的单独示例。

通过使用一个样本分区生成模型并使用另一个样本对模型进行检验，您会得到该模型推广到其他数据集的情况。

通过“分析”节点，我们可以根据已知道实际结果的记录来检验模型。下一阶段介绍如何使用模型对我们不知道结果的记录进行评分。例如，这可能包括当前不是银行客户的人员，但他们是促销邮寄的潜在目标。