Python 節點

SPSS® Modeler 提供了用於使用 Python 原生演算法的節點。節點選用區 上的 Python 標籤包含您可用於執行 Python 演算法的下列節點。這些節點在 Windows 64、Linux64 和 Mac 上受支援。

 Synthetic Minority Over-sampling Technique (SMOTE) 節點提供一個過度取樣演算法來處理不平衡的資料集。它提供進階方法來平衡資料。SMOTE 程序節點在 SPSS Modeler 中使用 Python 進行實作並且需要 imbalanced-learn© Python 程式庫。
XGBoost Linear© 是將線性模型用作基底模型的梯度提升演算法的進階實作。推升法演算法會反覆學習弱分類器，然後將其新增至最終的強分類器。SPSS Modeler 中的 XGBoost Linear 節點使用 Python 進行實作。
XGBoost Tree© 是將樹狀結構模型用作基底模型的梯度提升演算法的進階實作。推升法演算法會反覆學習弱分類器，然後將其新增至最終的強分類器。XGBoost Tree 具有很高的靈活性，並提供了很多對於大多數使用者來說過於複雜的參數，因此 SPSS Modeler 中的 XGBoost Tree 節點僅顯示了核心函數和一般參數。該節點是以 Python 來實作的。
t-Distributed Stochastic Neighbor Embedding (t-SNE) 是用於視覺化高維度資料的工具。它會將資料點的親緣性轉換為機率。SPSS Modeler 中的這個 t-SNE 節點使用 Python 進行實作，並且需要 scikit-learn© Python 程式庫。
Gaussian Mixture© 模型是一個機率模型，其假設所有資料點都是從混合的有限數量 Gaussian 分佈（參數不明）中產生的。1 可將混合模型視為泛化 k-means 叢集作業，以納入資料收斂結構的相關資訊以及潛在 Gaussians 的中心。SPSS Modeler 中的 Gaussian Mixture 節點顯示了 Gaussian Mixture 程式庫的核心功能及常用參數。該節點是以 Python 來實作的。
Kernel Density Estimation (KDE)© 使用 Ball Tree 或 KD Tree 演算法進行有效查詢，並且結合不受監督的學習、功能設計及資料建模的概念。鄰接項型方法（例如 KDE）是部分最受歡迎且最有用的密度估計技術。SPSS Modeler 中的 KDE 建模節點和 KDE 模擬節點顯示了 KDE 程式庫的核心功能及常用參數。這些節點是以 Python 來實作的。
「隨機森林」節點使用將樹狀結構模型用作基底模型的自助重抽總合法演算法的進階實作。SPSS Modeler 中的這個隨機森林建模節點使用 Python 進行實作，並且需要 scikit-learn© Python 程式庫。
「一類 SVM」節點使用未受監督的學習演算法。該節點可用來偵測新事件。它將偵測給定樣本集的軟性界限，然後將新的點分類成是否的該集合。此一級 SVM 建模節點在 SPSS Modeler 中使用 Python 進行實作並且需要 scikit-learn© Python 程式庫。