logistic回归可以实现分类预测的结果，首先你需要在训练集数据上拟合最佳模型，并将该模型（可以通俗理解为回归方程式）另存为xml模型文件。然后打开一个需要预测的新数据（或验证集），通过SPSS【评分向导】功能实现预测。
用案例说个明白。我现在想快速识别违约客户，先找一批客户贷款及信用的历史数据，创建二项logistic回归模型。
二元logistic回归的SPSS具体操作案例，看下面这篇文章：
SPSS二项logistic回归分析案例实践，做个预测模型
为方便案例示范，咱们一步到位采取向前LR的逐步回归方式，目的是获得一个最佳的模型，因为我们要拿模型用于新数据的预测，所以此处特别强调，打开【保存】对话框，【将模型信息导出到XML文件】，浏览一个固定的文件夹，给xml文件起个名字，本例命名为model.xml，保存起来，后面一会要用到。
执行后，结果查看器中的统计表格咱们就不多展开看了，只看下面这个回归系数表格。
年龄、受雇年、居住年、收入等对是否违约有预测作用，具有统计学意义。根据这个表格我们可以写出logistic回归的模型方程表达式。
有的读者说，我们直接写出这个表达式，有新数据后，把新数据代入回归式计算不就可以预测吗？对！这么做是可以，但是自己计算容易出错，而且代入计算比较麻烦，易错且操作复杂这显然不合适的。
所以，本文给大家介绍SPSS【评分向导】功能，这个独立菜单可以读取此前我们建模时保存下来的xml模型文件（保存有回归方程式信息），然后匹配对新数据进行计算。要求新数据的自变量和建模时的变量一致。
咱们来示范。打开一个新数据的SPSS文件。菜单【实用程序】→【评分向导】，
读取到模型信息，点【下一步】，
检查一下匹配的自变量，点【下一步】，
预测时要同步输出的4个新变量，最重要的就是所需类别的概率和预测值，注意此处要指定我们的预测目标，本例是要预测违约的概率和每个人的归类。
最后直接点【完成】执行预测。
怎么看？比如第一个人，他的年收入42000，预测违约的概率是0.1小于0.5，所以判定他是不会违约的。再比如第7个人，他的年收入是15000，预测违约的概率是0.52大于0.5，所以判定他是要违约了。
为了防止新手看这4个新数据出错，我建议直接只读取所需类别的概率和predictedvalue这两个列的结果。
本文完
文/图=数据小兵
评论已关闭！