SPSS algorithmes d'analyse prédictive pour l'évaluation

Vous pouvez utiliser les algorithmes d'analyse prédictive d' SPSS pour attribuer un score à vos modèles prédictifs.

Un moteur de notation conforme à la norme PMML prend en charge :

• Modèles conformes à la norme PMML ( 4.2 et versions antérieures) générés par divers éditeurs, à l'exception des modèles « Baseline », « ScoreCard », « Sequence » et « Text ». Consultez le site Web du Data Mining Group (DMG) pour obtenir la liste des modèles pris en charge.
• Modèles non PMML générés par les produits IBM SPSS : réseaux discriminants et réseaux bayésiens
• Transformations PMML 4.2 s intégralement

Différents types de modèles peuvent donner lieu à des résultats de notation variés. Par exemple :

• Les modèles de classification (ceux dont la cible est catégorielle : réseau bayésien, régression générale, exploration de données, algorithme de Bayes naïf, k plus proches voisins, réseau neuronal, régression, ensemble de règles, machine à vecteurs de support et arbre de décision) produisent :
  • Valeurs prévues
  • Probabilités
  • Valeurs de confiance
• Les modèles de régression (ceux dont la variable cible est continue : régression générale, exploration de données, k-voisins les plus proches, réseau neuronal, régression et arbre) fournissent des valeurs prédites; certains fournissent également des erreurs-types.
• Cox La régression (dans « Régression générale ») fournit des valeurs de probabilité de survie prévue et de risque cumulé.
• Les modèles arborescents génèrent également des identifiants de nœuds.
• Les modèles de regroupement génèrent un identifiant de cluster et un indice d'affinité de cluster.
• La détection des anomalies (représentée sous forme de regroupement) génère un indice d'anomalie et identifie les principales causes.
• Les modèles d'association génèrent la conséquence, l'identifiant de règle et le niveau de confiance pour les règles présentant la meilleure correspondance.

Python Exemple de code :

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()