自动分类器节点

“自动分类器”节点使用多种不同的方法来估算和比较名义（集合）或二元（是/否）目标的模型，这使您可以在一次建模运行中尝试多种方法。您可以选择所用算法，并试验选项的多个组合。例如，您无需在径向基函数、多项式、sigmoid 或线性方法中选择一种来用于 SVM，您可以全部都尝试一下。该节点将探究每种可能的选项组合，并根据您指定的测量对每个候选模型进行排序，然后保存最佳模型以用于评分或进行进一步分析。有关更多信息，请参阅 自动建模节点。

示例

某零售公司具有历史数据，可用于追踪以前营销活动中向特定客户提供的商品推荐信息。公司现在希望通过向每个客户提供合适的报价来获取更多的利润。

要求

一个测量级别为名义或标志（角色设置为目标）的目标字段和至少一个输入字段（角色设置为输入）。对于“标志”字段，假定为目标字段定义的真值表示计算利润、提升和相关统计量时的匹配项。输入字段的测量级别可以是连续或分类，但具有限制，即某些输入可能不适合一些模型类型。例如，在 C&R 树、CHAID 和 QUEST 模型中用作输入的有序字段必须是数字存储类型（而不是字符串），如果指定了其他类型，将被这些模型忽略。类似地，在某些情况下可对连续输入字段进行分级。这和使用单个建模节点时的要求一样；例如，不管是从贝叶斯网络节点还是自动分类器节点生成，贝叶斯网络模型都以同样的方式工作。

频率和权重字段

频率和权重用于为某些记录提供高于其他记录的附加重要性，原因可能是用户知道构建数据集省略父总体的一部分（加权）或一个记录代表一些相同的观测值（频率）等。如果指定了频率字段，那么 C&R 树、CHAID、QUEST、决策列表和贝叶斯网络模型可以使用此字段。C&RT、CHAID 和 C5.0 模型可以使用权重字段。其他模型类型将省略这些字段并以任意方式构建模型。频率和权重字段仅用于模型构建，并且在评估和评分模型时不予以考虑。有关更多信息，请参阅 使用频率和权重字段。

前缀

如果您将表节点附加到自动分类器节点块，那么表中存在多个名称以前缀 $ 开头的新变量。

评分过程中生成的字段的名称基于目标字段，但是要加上标准前缀。不同的模型类型使用不同的前缀集。

例如，前缀 $G、$R、$C 分别用作广义线性模型、CHAID 模型和 C5.0 模型所生成的预测的前缀。$X 通常使用整体生成，而 $XR、$XS 和 $XF 将在目标字段分别为“连续”、“分类”或“标志”字段的情况下用作前缀。

$..C 前缀用于预测分类或标志目标的置信度；例如，$XFC 用作整体标志预测置信度的前缀。$RC 和 $CC 分别是 CHAID 模型和 C5.0 模型的单个预测置信度的前缀。