SPSS Algorithmen für prädiktive Analysen zur Bewertung

Sie können die Predictive-Analytics-Algorithmen von „ SPSS “ zur Bewertung Ihrer Vorhersagemodelle nutzen.

Eine PMML-konforme Bewertungs-Engine unterstützt:

• PMML-konforme Modelle ( 4.2 und frühere Versionen), die von verschiedenen Anbietern erstellt wurden, mit Ausnahme von Baseline-Modellen, „ ScoreCard “-Modellen, Sequenzmodellen und Textmodellen. Eine Liste der unterstützten Modelle finden Sie auf der Website der Data Mining Group (DMG).
• Nicht-PMML-Modelle, die von den Produkten „ IBM “ und „ SPSS “ erstellt wurden: Diskriminanz- und Bayes’sche Netzwerke
• PMML- 4.2 -Transformationen vollständig

Verschiedene Modelltypen können zu unterschiedlichen Bewertungsergebnissen führen. Zum Beispiel:

• Klassifikationsmodelle (Modelle mit einer kategorialen Zielvariablen: Bayes-Netz, allgemeine Regression, Data Mining, Naive-Bayes-Modell, k-Nearest-Neighbor-Verfahren, neuronales Netz, Regression, Regelsatz, Support-Vektor-Maschine und Baum) liefern:
  • Prognostizierte Werte
  • Wahrscheinlichkeiten
  • Konfidenzwerte
• Regressionsmodelle (solche mit einer kontinuierlichen Zielvariablen: Allgemeine Regression, Mining, k-Nearest Neighbor, Neuronales Netzwerk, Regression und Baum) liefern Vorhersagewerte; einige geben zudem Standardfehler an.
• Cox Die Regression (im Rahmen der allgemeinen Regression) liefert Werte für die prognostizierte Überlebenswahrscheinlichkeit und das kumulative Risiko.
• Baummodelle generieren ebenfalls Knoten-IDs.
• Clustering-Modelle liefern eine Cluster-ID und eine Cluster-Affinität.
• Die Anomalieerkennung (dargestellt als Clusteranalyse) liefert einen Anomalieindex und die wichtigsten Ursachen.
• Assoziationsmodelle liefern „Consequent“, „Rule ID“ und den Konfidenzwert für die am besten passenden Regeln.

Python Beispielcode:

from spss.ml.score import Score

with open("linear.pmml") as reader:
    pmmlString = reader.read()

score = Score().fromPMML(pmmlString)
scoredDf = score.transform(data)
scoredDf.show()