Python 节点

SPSS® Modeler 提供了用于使用 Python 本机算法的节点。节点选用板上的 Python 选项卡包含您可用于运行 Python 算法的下列节点。这些节点在 Windows 64、Linux64 和 Mac 上受支持。

合成少数类过采样技术 (Synthetic Minority Over-sampling Technique, SMOTE) 节点提供了用于处理不平衡数据集的过采样算法。它提供了用于均衡数据的高级方法。SMOTE 过程节点在 SPSS Modeler 中使用 Python 进行实现并且需要 imbalanced-learn© Python 库。

XGBoost Linear© 是将线性模型用作基本模型的梯度提升算法的高级实现。提升算法以迭代方式学习弱分类器，然后将它们添加到最终的强分类器中。SPSS Modeler 中的 XGBoost Linear 节点使用 Python 进行实现。

XGBoost Tree© 是将树模型用作基本模型的梯度提升算法的高级实现。提升算法以迭代方式学习弱分类器，然后将它们添加到最终的强分类器中。XGBoost Tree 具有很高的灵活性，并提供了很多对于大多数用户来说过于复杂的参数，因此 SPSS Modeler 中的 XGBoost Tree 节点仅显示了核心功能和常用参数。此节点使用 Python 进行实现。

t-Distributed Stochastic Neighbor Embedding (t-SNE) 是用于可视化高维数据的工具。其将数据点亲缘关系转换为可能性。此 t-SNE 节点在 SPSS Modeler 中使用 Python 进行实现并且需要 scikit-learn© Python 库。

单类 SVM 节点使用无监督学习算法。此节点可用于新内容检测。它将检测指定样本集的软边界，以便按是否属于该集合对新点进行分类。此单类 SVM 建模节点在 SPSS Modeler 中使用 Python 进行实现并且需要 scikit-learn© Python 库。