Nó Cluster Automático

O nó Cluster Automático estima e compara modelos de armazenamento em cluster que identificam grupos de registros com características semelhantes. O nó funciona da mesma maneira que outros nós de modelagem automatizados, permitindo experimentá-los com as diversas combinações de opções em uma única passagem de modelagem. Modelos podem ser comparados usando medidas básicas com as quais você tentar filtrar e ranquear a utilidade dos modelos de cluster e fornecer uma medida baseada na importância de determinados campos.

Modelos de armazenamento em cluste são frequentemente usados para identificar grupos que podem ser usados como entradas em análises subsequentes. Por exemplo, você pode querer atingir grupos de clientes com base em características demográficas, como renda, ou com base nos serviços que eles compraram no passado. Você pode fazer isso sem conhecimento prévio sobre os grupos e suas características - você pode não saber quantos grupos procurar ou quais recursos usar para defini-los. Os modelos de armazenamento em cluster são frequentemente chamados de modelos de aprendizagem não supervisionados, uma vez que não usam um campo de destino e não retornam uma predição específica que pode ser avaliada como verdadeira ou falsa. O valor de um modelo de armazenamento em cluster é determinado por sua capacidade de capturar agrupamentos de interesse nos dados e fornecer descrições úteis desses agrupamentos.

Requisitos. Um ou mais campos que definem características de interesse. Os modelos de cluster não usam campos de destino da mesma maneira que outros modelos, porque eles não fazem previsões específicas que podem ser avaliadas como verdadeiras ou falsas. Em vez disso, eles são usados para identificar grupos de casos que podem estar relacionados. Por exemplo, você não pode usar um modelo de cluster para prever se um determinado cliente abandonará ou responderá a uma oferta. Mas é possível usar um modelo de cluster para atribuir clientes a grupos com base em sua tendência de fazer essas coisas. Os campos de peso e frequência não são usados.

Campos de avaliação. Embora nenhum destino seja usado, é possível, opcionalmente, especificar um ou mais campos de avaliação a serem usados na comparação de modelos. A utilidade de um modelo de cluster pode ser avaliada medindo quão bem (ou mal) os clusters diferenciam esses campos.

Tipos de modelos suportados

Os tipos de modelo com suporte incluem TwoStep, K-Means, Kohonen, One-Class SVM e K-Means-AS.