Mineração de dados no SPSS Modeler

O fluxo de trabalho no SPSS Modeler foi criado com base na metodologia CRISP-DM (Cross-Industry Standard Process for Data Mining). Essa metodologia incorpora seu trabalho no SPSS Modeler em um projeto maior com várias fases. As fases em que você trabalha no SPSS Modeler usam projetos para gerenciar seu trabalho e seus ativos.

Imagem mostrando todas as fases dos projetos no SPSS. Há cinco fases: compreensão dos dados, preparação dos dados, modelagem, implementação e avaliação. Cada um tem várias tarefas dentro dele. — Figura 1. Fases para projetos SPSS Modeler

Fases da mineração de dados

A metodologia CRISP-DM tem as seguintes fases.

Entendimento dos negócios: Durante essa fase, tente obter o máximo possível de informações sobre os objetivos comerciais da mineração de dados. Reúna-se com as partes interessadas e determine como seu trabalho com o SPSS Modeler aborda os objetivos ou problemas de negócios.
Para obter mais informações, consulte Compreensão e preparação de dados.
Entendimento de dados: Você precisa coletar e entender seus dados antes de criar fluxos no SPSS Modeler. Reserve um tempo para entender a estrutura de dados, os relacionamentos e os padrões em seus dados.
Para obter mais informações, consulte Compreensão e preparação de dados.
Preparação de dados: Você precisa preparar seus dados antes de treinar modelos no SPSS Modeler. Reserve um tempo para processar seus dados de modo que eles sejam otimizados para uso na mineração de dados.
Para obter mais informações, consulte Compreensão e preparação de dados.

Modelagem: Crie fluxos SPSS Modeler para explorar seus dados, experimentar modelos diferentes e investigar relacionamentos para encontrar informações úteis.
Para obter mais informações, consulte Criação de fluxos e modelos.

Implementação

Depois de criar e treinar um modelo preditivo, você poderá promovê-lo para watsonx.ai Runtime se tiver o serviço watsonx.ai Runtime.

Para obter mais informações, consulte Promovendo fluxos e modelos SPSS Modeler.

Avaliação: Avalie a qualidade de seus modelos e suas previsões. Por exemplo, você pode adicionar nós de análise aos seus fluxos para avaliar a precisão das previsões do seu modelo. Você também pode usar um nó de avaliação para comparar modelos preditivos e encontrar o melhor.

Trabalhando com projetos e ativos de dados

Todo o seu trabalho com o SPSS Modeler é feito em um projeto. Um projeto contém todos os seus ativos e fluxos de dados.

Para obter mais informações sobre projetos, consulte Trabalho em projetos
Para obter mais informações sobre como adicionar dados ao seu projeto para uso em um fluxo, consulte Adicionar dados a um projeto.

Você pode conectar SPSS Modeler a uma fonte de dados, como um banco de dados, para facilitar o acesso aos seus dados no SPSS Modeler.

Para obter mais informações sobre como conectar dados, consulte Fontes de dados suportadas

Você pode importar um fluxo ( .str ) que foi criado no SPSS Modeler Subscription ou no cliente SPSS Modeler. Se o fluxo importado contiver um ou mais nós de importação ou exportação, você será solicitado a converter os nós ao abrir o fluxo.

Para obter mais informações, consulte Importação de um fluxo SPSS Modeler.

Geração de Script

Você pode usar o scripting no SPSS Modeler para automatizar tarefas. Você pode escrever scripts em R, Python ou Python para Spark e Control Language for Expression Manipulation (CLEM). O CLEM é uma linguagem para analisar e manipular os fluxos de dados em seus fluxos.

Para obter mais informações, consulte Scripting e automação.