升降图可以形象的展现模型实施的效果，图中的蓝线表示的是源数据集中，有12%的客户的DINING字段〉0，这个数字代表了如果对所有的客户发出目录，将会有12%的客户相应。
图中黄色的曲线代表的是回归模型的预测效果，红色曲线代表决策树模型的预测效果。
模型会给每一个客户购买DINING产品的倾向打一个分，并将分数从高到低排列后，分为十个等份，图中的横坐标从左到右代表这十个等份，纵坐标代表不同打分的人群的相应率。
可以看出，当分别利用回归和决策树模型对客户进行打分排名后，回归模型前10%的客户响应率达到了30%以上，而决策树模型的前10%的客户响应率只达到25%多一点，如果公司希望扩大宣传力度，例如公司预选择30%的客户群进行宣传，那么利用决策树模型建模可以得到更高的响应率。
Lift Chart默认显示的是累计的响应率效果，可以通过单击升降图中，Bar Color for 上方的Non-Cumulative前面的圆圈查看非累积的升降图，即每个10%的人群的响应率，以便于公司对每个不同人群的定位。
（4） 关闭升降图，关闭Assessment窗口。
应用模型
抽取打分程序
在如上的建模过程中，假设我们将目标定位在10%的客户群，显然我们的最佳选择是回归模型，下面我们要把这个模型应用到所有的数据上面。EM提供了一个Score节点来实现对模型的评分代码进行评估、保存以及整合。
（1）
将Score节点拖到工作区中，放在Regression节点右边，连接Regression节点到Score节点
（2）
双击Score节点，出现Score窗口，在默认出现的Setting标签中选择第二项Apply training data score code to score data set
（3）
关闭窗口，保存修改。 引入原始数据源
当我们设置好Score节点之后，我们就可以对任何一个结构相同的数据源来进行打分，在这里，由于我们仍然使用样本数据源CUSTDET1。
（1）
将Input Data Source节点拖到工作区中，连接Input Data Source节点到Score节点
（2）
双击Input Data Source节点，选择SASUSER.CUSTDET1，单击Role右侧的下拉键头，在下拉菜单中选择SCORE
（3）
关闭窗口，保存修改。 查看结果
对整个源数据应用模型的结果可以通过Explore工具来查看，前面我们已经应用过一个Insight节点，这里我们介绍另外一个工具-Distribution Explorer节点的使用。
（1） 将Distribution Explorer节点拖到工作区中放在Score节点的下
方，连接Score节点到Distribution Explorer
在利用Distribution Explorer节点查看模型应用的效果之前必须先运行Score节点
（2） 右键单击Score节点，选择Run，Score节点四周会出现绿色方框，
运行完毕出现是否查看运行结果的对话框，选择否。
相关推荐：
loading