Schnelleinstieg: Modell mit SPSS Modeler erstellen

Sie benötigen ein Projekt zum Speichern des SPSS Modeler -Ablaufs. Sie können ein vorhandenes Projekt verwenden oder ein Projekt erstellen.

1. Wählen Sie im Navig ationsmenü „Projekte“ > „Alle Projekte“ aus.

2. Öffnen Sie ein vorhandenes Projekt. Wenn Sie ein neues Projekt verwenden möchten:

   1. Klicken Sie auf Neues Projekt.

   2. Wählen Sie Leeres Projekt erstellenaus.

   3. Geben Sie einen Namen und optional eine Beschreibung für das Projekt an.

   4. Klicken Sie auf Erstellen.

Weitere Informationen oder ein Video finden Sie unter Erstellen eines Projekts.

In diesem Lernprogramm wird ein Beispieldataset verwendet. Führen Sie die folgenden Schritte aus, um das Beispieldataset Ihrem Projekt hinzuzufügen:

1. Laden Sie die Datei chronic_kidney_disease_full.csv (39 KB) herunter.

2. Fügen Sie Ihrem Projekt die Datei chronic_kidney_disease_full.csv hinzu:

   1. Klicken Sie in Ihrem Projekt auf das Symbol „Asset zum Projekt hochladen“.

   2. Navigieren Sie in der Seitenanzeige, die geöffnet wird, zur Datei chronic_kidney_disease_full.csv und klicken Sie auf Öffnen. Bleiben Sie so lange auf der Seite, bis der Ladevorgang vollständig abgeschlossen worden ist.
      Die Datei chronic_kidney_disease_full.csv wird Ihrem Projekt als Datenasset hinzugefügt.

3. Öffnen Sie auf der Seite Assets Ihres Projekts die Datei chronic_kidney_disease_full.csv , um eine Vorschau der Daten anzuzeigen. Es gibt drei wichtige Faktoren, die helfen, chronische Nierenerkrankungen vorherzusagen, die im Rahmen dieser Analyse verfügbar sind: das Alter des Probanden, die Serum-Kreatinin-Testergebnisse und Diabetes-Testergebnisse. Und der Klassenwert zeigt an, ob der Patient zuvor auf Nierenerkrankung diagnostiziert wurde.

4. Klicken Sie auf den Projektnamen im Navigationspfad, um zur Registerkarte Assets zurückzukehren.

Führen Sie die folgenden Schritte aus, um einen SPSS Modeler -Ablauf im Projekt zu erstellen:

1. Klicken Neues Asset > Modelle als visuellen Fluss erstellen.

2. Geben Sie einen Namen und eine Beschreibung für den Flow ein.

3. Klicken Sie auf Erstellen. Dadurch wird der Flow-Editor geöffnet, mit dem Sie den Flow erstellen.

Nach dem Laden der Daten müssen Sie die Daten transformieren. Erstellen Sie einen einfachen Ablauf, indem Sie Transformatoren und Schätzer in den Erstellungsbereich ziehen und mit der Datenquelle verbinden. Verwenden Sie die folgenden Knoten aus der Palette:

• Datenasset: Lädt die CSV-Datei aus dem Projekt

• Partition: Unterteilt die Daten in Trainings-und Testsegmente

• Typ: Legt den Datentyp fest. Verwenden Sie sie, um das Feld class als target -Typ festzulegen.

• C5.0: Ein Klassifikationsalgorithmus

• Analyse: Modell anzeigen und Genauigkeit prüfen

• Tabelle: Vorschau der Daten mit Vorhersagen

Führen Sie die folgenden Schritte aus, um den Flow zu erstellen:

1. Fügen Sie den Datenassetknoten hinzu:

   1. Ziehen Sie im Abschnitt Importieren den Knoten Datenasset in den Erstellungsbereich.

   2. Doppelklicken Sie auf den Knoten Datenasset , um das Dataset auszuwählen.

   3. Klicken Sie im geöffneten Teilfenster auf Datenasset ändern .

   4. Wählen Sie auf der geöffneten Seite Datenassets aus.

   5. Wählen Sie chronic_kidney_disease_full.csvaus.

   6. Klicken Sie auf OK.

   7. Zeigen Sie die Datenasseteigenschaften an.

   8. Klicken Sie auf Speichern.

2. Fügen Sie den Partitionsknoten hinzu:

   1. Ziehen Sie im Abschnitt Feldoperationen den Knoten Partition in den Erstellungsbereich.

   2. Verbinden Sie den Knoten Data Asset mit dem Knoten Partition .

   3. Doppelklicken Sie auf den Knoten Partition , um seine Eigenschaften anzuzeigen. Die Standardpartition teilt die Hälfte der Daten für das Training und die andere Hälfte für Tests.

   4. Klicken Sie auf Speichern.

3. Fügen Sie den Typknoten hinzu:

   1. Ziehen Sie aus dem Abschnitt Feldoperationen den Knoten Typ in den Erstellungsbereich.

   2. Verbinden Sie den Knoten Partition mit dem Knoten Typ .

   3. Doppelklicken Sie auf den Knoten Typ , um seine Eigenschaften anzuzeigen. Der Typknoten gibt das Messniveau für jedes Feld an. Diese Quellendatendatei verwendet vier verschiedene Messniveaus: "Stetig", "Kategorial", "Nominal", "Ordinal" und "Flag".

   4. Suchen Sie nach dem Feld class . Für jedes Feld gibt die Rolle die Rolle an, die jedes Feld bei der Modellierung spielt. Ändern Sie die class -Rolle in Ziel -das Feld, das Sie vorhersagen möchten.

   5. Klicken Sie auf Speichern.

4. Fügen Sie den Knoten für den Klassifikationsalgorithmus C5.0 hinzu:

   1. Ziehen Sie den Knoten C5.0 aus dem Abschnitt Modellierung in den Erstellungsbereich.

   2. Verbinden Sie den Knoten Typ mit dem Knoten C5.0 .

   3. Klicken Sie doppelt auf den Knoten C5.0 , um seine Eigenschaften anzuzeigen. Standardmäßig erstellt der Algorithmus C5.0 einen Entscheidungsbaum. Ein C5.0 -Modell funktioniert durch Aufteilen der Stichprobe auf der Basis des Felds, das den maximalen Informationsgewinn bereitstellt. Jede Unterstichprobe, die durch die erste Aufteilung definiert wird, wird dann erneut aufgeteilt, normalerweise basierend auf einem anderen Feld, und der Prozess wird wiederholt, bis die Unterstichproben nicht weiter aufgeteilt werden können. Schließlich werden die Splits der niedrigsten Ebene erneut untersucht und diejenigen, die nicht wesentlich zum Wert des Modells beitragen, entfernt.

   4. Aktivieren Sie In diesem Knoten definierte Einstellungen verwenden.

   5. Wählen Sie für Zieldie Option Klasseaus.

   6. Klicken Sie im Abschnitt Eingaben auf Spalten hinzufügen.

      1. Wählen Sie das Kontrollkästchen neben Feldnameab.

      2. Wählen Sie age, sc, dmaus.

      3. Klicken Sie auf OK.

   7. Klicken Sie auf Speichern.

Nachdem Sie den Ablauf entworfen haben, führen Sie die folgenden Schritte aus, um den Ablauf auszuführen, und untersuchen Sie das Baumdiagramm, um die Entscheidungspunkte anzuzeigen:

1. Klicken Sie mit der rechten Maustaste auf den Knoten C5.0 und wählen Sie Ausführenaus. Durch Ausführen des Ablaufs wird ein neues Modellnugget im Erstellungsbereich generiert.

2. Klicken Sie mit der rechten Maustaste auf das Modellnugget und wählen Sie Modell anzeigen aus, um die Modelldetails anzuzeigen.

3. Zeigen Sie die Modellinformationen an, die eine Modellzusammenfassung bereitstellen.

4. Klicken Sie auf Top Decision Rules. In einer Tabelle wird eine Reihe von Regeln angezeigt, die verwendet wurden, um einzelne Datensätze basierend auf den Werten verschiedener Eingabefelder untergeordneten Knoten zuzuordnen.

5. Klicken Sie auf Merkmalbedeutung. Ein Diagramm zeigt den relativen Einfluss jedes Prädiktors bei der Schätzung des Modells. Daraus können Sie erkennen, dass Serumkreatinin leicht der signifikanteste Faktor ist, wobei Diabetes der nächstbedeutendste Faktor ist.

6. Klicken Sie auf Baumdiagramm. Dasselbe Modell wird in Form eines Baums mit einem Knoten an jedem Entscheidungspunkt angezeigt.

   1. Bewegen Sie den Mauszeiger über den obersten Knoten, der eine Zusammenfassung für alle Datensätze im Dataset bereitstellt. Fast 40% der Fälle im Datensatz sind als nicht mit Nierenerkrankungen diagnostiziert klassifiziert. Die Baumstruktur kann zusätzliche Hinweise geben, welche Faktoren möglicherweise verantwortlich sind.

   2. Beachten Sie die beiden Zweige, die vom obersten Knoten ausgehen und auf eine Teilung durch Serumkreatininhinweisen.

      • Überprüfen Sie die Verzweigung, die Datensätze enthält, bei denen das Serumkreatinin größer als 1.25ist. In diesem Fall haben 100% dieser Patienten eine positive Nierenerkrankung Diagnose.

      • Überprüfen Sie die Verzweigung, die Datensätze zeigt, bei denen das Serumkreatinin kleiner-gleich 1.25ist. Fast 80% dieser Patienten haben keine positive Nierenerkrankung Diagnose, aber fast 20% mit niedrigerem Serumkreatinin wurden noch mit Nierenerkrankung diagnostiziert.

   3. Beachten Sie die von sc<=1.250stammenden Verzweigungen, die durch Diabetesunterteilt sind.

      • Überprüfen Sie den Zweig, der Patienten mit niedrigem Serumkreatinin (sc<=1.250) und diagnostiziertem Diabetes (dm = yes) zeigt. Bei 100% dieser Patienten wurde auch eine Nierenerkrankung diagnostiziert.

      • Überprüfen Sie den Zweig, der zeigt, dass Patienten mit niedrigem Serumkreatinin (sc<=1.250) und keinem Diabetes (dm = no), 85% wurden nicht mit Nierenerkrankung diagnostiziert, aber 15% von ihnen wurden noch mit Nierenerkrankung diagnostiziert.

   4. Beachten Sie die Verzweigungen, die aus dm = nostammen und durch den letzten signifikanten Faktor ( age) getrennt werden.

      • Überprüfen Sie den Zweig, der Patienten im Alter von 14 Jahren oder jünger (Alter < = 14) zeigt. Dieser Zweig zeigt, dass 75 Prozent der jungen Patienten mit niedrigem Serumkreatinin und ohne Diabetes an einer Nierenerkrankung litten.

      • Überprüfen Sie den Zweig, der Patienten zeigt, die älter als 14 Jahre sind (Alter > 14). Dieser Zweig zeigt, dass nur 12% der Patienten über 14 Jahre mit niedrigem Serumkreatinin und keinem Diabetes das Risiko einer Nierenerkrankung hatten.

   5. Verwenden Sie die Navigationspfad-Navigation, um zu Ihrem Modell zurückzukehren.

Gehen Sie wie folgt vor, um das Modell mithilfe der Analyse-und Tabellenknoten auszuwerten:

1. Ziehen Sie den Knoten Analyse aus dem Abschnitt Ausgaben in den Erstellungsbereich.

2. Verbinden Sie das Modellnugget mit dem Knoten Analyse .

3. Klicken Sie mit der rechten Maustaste auf den Knoten Analyse und wählen Sie Ausführenaus.

4. Öffnen Sie in der Anzeige Ausgaben die Analyse, die zeigt, dass das Modell eine Nierenkrankheitsdiagnose fast 95% der Zeit korrekt vorhergesagt hat. Schließen Sie die Analyse.

5. Klicken Sie mit der rechten Maustaste auf den Knoten Analyse und wählen Sie Verzweigung als Modell speichernaus.

   1. Geben Sie als Modellname Kidney Disease Analysisein.

   2. Klicken Sie auf Speichern.

   3. Klicken Sie auf Schließen (Close).

6. Ziehen Sie den Knoten Tabelle aus dem Abschnitt Ausgaben in den Erstellungsbereich.

   1. Verbinden Sie das Nugget Modell mit dem Knoten Tabelle .

   2. Klicken Sie mit der rechten Maustaste auf den Knoten Tabelle und wählen Sie Daten voranzeigenaus.

   3. Wenn die Vorschau angezeigt wird, blättern Sie zu den letzten beiden Spalten. Die Spalte -Class enthält die Vorhersage der Nierenerkrankung und die Spalte $CC-Class gibt den Konfidenzwert für diese Vorhersage an.

   4. Schließen Sie die Vorschau.

Führen Sie schließlich die folgenden Schritte aus, um dieses Modell bereitzustellen und das Ergebnis mit neuen Daten vorherzusagen.

1. Kehren Sie zur Registerkarte Assets des Projekts zurück.

2. Klicken Sie auf den Abschnitt Modelle und öffnen Sie das Modell Nierenkrankheitsanalyse .

3. Klicken Sie auf das Symbol „In Bereitstellungsbereich verschieben“.

4. Wählen Sie einen vorhandenen Bereitstellungsbereich aus. Wenn Sie keinen Bereitstellungsbereich haben, können Sie einen neuen erstellen:

   1. Geben Sie einen Bereichsnamen an.

   2. Klicken Sie auf Erstellen.

   3. Klicken Sie auf Schließen (Close).

5. Wählen Sie Nach dem Hochstufen zum Modell im Bereich wechselnaus.

6. Klicken Sie auf Hochstufen.

7. Wenn das Modell im Bereitstellungsbereich angezeigt wird, klicken Sie auf Neue Bereitstellung.

   1. Wählen Sie Online als Implementierungstypaus.

   2. Geben Sie einen Namen für die Bereitstellung an.

   3. Klicken Sie auf Erstellen.

8. Klicken Sie nach Abschluss der Implementierung auf den Implementierungsnamen, um die Seite mit den Implementierungsdetails anzuzeigen.

9. Wechseln Sie zur Registerkarte Test . Sie können das bereitgestellte Modell auf der Seite mit den Bereitstellungsdetails auf zwei Arten testen: mit einem Formular testen oder mit JSON-Code.

10. Klicken Sie auf JSON-Eingabe, kopieren Sie die folgenden Testdaten und fügen Sie sie ein, um den vorhandenen JSON-Text zu ersetzen:

    {
       "input_data": [
          {
             "fields": [
                         "age",
                         "bp",
                         "sg",
                         "al",
                         "su",
                         "rbc",
                         "pc",
                         "pcc",
                         "ba",
                         "bgr",
                         "bu",
                         "sc",
                         "sod",
                         "pot",
                         "hemo",
                         "pcv",
                         "wbcc",
                         "rbcc",
                         "htn",
                         "dm",
                         "cad",
                         "appet",
                         "pe",
                         "ane",
                         "class"
             ],
             "values": [
                        [
                        "62",
                         "80",
                         "1.01",
                         "2",
                         "3",
                         "normal",
                         "normal",
                         "notpresent",
                         "notpresent",
                         "423",
                         "53",
                         "1.8",
                         "",
                         "",
                         "9.6",
                         "31",
                         "7500",
                         "",
                         "no",
                         "yes",
                         "no",
                         "poor",
                         "no",
                         "yes",
                         "ckd"
                         ]
             ]
          }
       ]
    }
    

11. Klicken Sie auf Vorhersagen , um vorherzusagen, ob bei einem 62-Jährigen mit Diabetes und einem Serumkreatinin-Verhältnis von 1.8 wahrscheinlich eine Nierenerkrankung diagnostiziert wird. Die resultierende Vorhersage zeigt an, dass dieser Patient eine hohe Wahrscheinlichkeit einer Nierenerkrankung Diagnose hat.