Algoritmos de análise de dados preditiva SPSS para pontuação

Você pode usar os algoritmos de análise preditiv SPSS es para atribuir pontuação aos seus modelos preditivos.

Um mecanismo de escoragem compatível com PMML suporta:

• Modelos compatíveis com PMML (4.2 e versões anteriores) produzidos por vários fornecedores, exceto para Modelo de linha de base, Modelo de pontuação, Modelo de sequência e Modelo de texto. Consulte o website Data Mining Group (DMG) para obter uma lista de modelos suportados.
• Modelos não PMML produzidos por produtos IBM SPSS: redes Discriminantes e Bayesianas
• Transformações completas de PMML 4.2

Diferentes tipos de modelos podem produzir vários resultados de escoragem. Por exemplo:

• Os modelos de classificação (aqueles com variável resposta categórica: Rede Bayes, Regressão geral, Mineração, Naive Bayes, k-ésimo vizinho mais próximo, Rede neural, Regressão, Conjunto de regras, Support Vector Machine e Árvore) produzem:
  • Valores preditos
  • Probabilidades
  • Valores de confiança
• Os modelos de regressão (aqueles com uma variável resposta contínua: Regressão geral, Mineração, K-ésimo vizinho mais próximo, Rede neural, Regressão e Árvore) produzem valores preditos; alguns também produzem erros padrão.
• Regressão de Cox (em Regressão Geral) produz probabilidade de sobrevida predita e valores acumulativos de risco.
• Modelos de árvore também produzem ID de Nó.
• Modelos de armazenamento em cluster produzem ID de Cluster e Afinidade de Cluster.
• Detecção de Anomalia (representada como Armazenamento em Cluster) produz índice de anomalia e principais motivos.
• Modelos de associação produzem Consequente, ID de Regra e Confiança para as principais regras de correspondência.

Exemplo de código Python:

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()