In SPSS Modeler richten Sie Abläufe zur Datenverarbeitung ein und experimentieren mit verschiedenen Modellierungstechniken. Durch den Modellierungsprozess erstellen Sie ein abgestimmtes Modell, das Sie für prädiktive Analysen verwenden können.
Gebäudeströme
Ein Fluss ist eine Reihe von Knoten, die Sie auf der Leinwand verbinden.
- Ablauf
- Ein Fluss ist eine Gruppe von Datenverarbeitungsvorgängen, die in Sequenzen miteinander verbunden sind. Flows stellen den Datenfluss durch jeden Vorgang dar. Die Daten fließen von der Datenquelle durch die Abfolge der Vorgänge bis zum Ende. In der Regel endet ein Fluss mit einem Modell oder einer Art von Datenausgabe, z. B. einer Tabelle oder einem Diagramm.
Flüsse werden durch Hinzufügen von Knoten auf der Leinwand und deren Verbindung erstellt.
- Erstellungsbereich
- Der Canvas ist der Hauptarbeitsbereich in SPSS Modeler, in dem Sie Ihre Datenflüsse erstellen.
- Knoten
- Ein Knoten ist ein modularer, in sich geschlossener Satz von Operationen. Knoten sind eine grafische Darstellung dieser Vorgänge, und jeder Knoten hat ein eigenes Symbol. Diese Knoten können auf der Leinwand in einem Fluss miteinander verbunden werden, um eine komplexere Datenverarbeitung zu ermöglichen.
Sie können Modellierungsknoten zu Ihrem Fluss hinzufügen. Jeder der Modellierungsknoten ist eine andere Modellierungstechnik. Sie können mehrere Modellierungsknoten zu Ihrem Fluss hinzufügen, um verschiedene Modellierungstechniken mit Ihren Daten auszuprobieren. Nachdem Sie Ihren Fluss eingerichtet haben, können Sie ihn ausführen, damit Ihre Daten von den Modellierungsknoten verarbeitet und analysiert werden.
Der Modellierungsprozess
Die Fähigkeit, ein Ergebnis vorherzusagen, ist das zentrale Ziel der prädiktiven Analytik, und das Verständnis des Modellierungsprozesses ist der Schlüssel zur Verwendung von SPSS Modeler.
Ein Modell ist ein Satz von Regeln, Formeln oder Gleichungen, die zur Vorhersage eines Ergebnisses auf der Grundlage einer Reihe von Eingabefeldern oder Variablen aus Ihren Daten verwendet werden können. Eine Finanzinstitut verwendet z. B. möglicherweise ein Modell, um auf Basis von bekannten Informationen über vorherige Kreditantragstreller vorherzusagen, ob ein Kreditantragsteller ein geringes oder hohes Risiko darstellt. Ein abgestimmtes Modell ist eines der Ziele der Arbeit in SPSS Modeler.
Die Modellierung wird in mehreren Iterationen durchgeführt. In der Regel werden Sie mehrere Modellierungsknoten ausführen, die die Standardparameter verwenden. Sie können dann eine Feinabstimmung der Parameter für den Modellierungsknoten vornehmen, oder Sie können zur Datenvorbereitungsphase zurückkehren, um die Daten für den Modellierungsknoten anzupassen.
SPSS Modeler bietet verschiedene Modellierungsmethoden, die aus dem maschinellen Lernen, der künstlichen Intelligenz und der Statistik stammen. Sie können die in der Knotenpalette verfügbaren Methoden verwenden, um neue Informationen aus Ihren Daten abzuleiten und Vorhersagemodelle zu entwickeln. Jede Methode hat ihre speziellen Stärken und eignet sich besonders für bestimmte Problemtypen.
Wenn Sie mit einem dieser Modellierungsknoten vielversprechende Ergebnisse erhalten, können Sie den Modellierungsknoten als Modell speichern. Dieses Modell kann dann für die Verwendung in Echtzeit-Vorhersageanalysen gefördert und eingesetzt werden.
Knotenpalette
Die Knotenpalette enthält alle Knoten, die in SPSS Modeler verfügbar sind. Sie sind nach ihrer Funktion in Gruppen eingeteilt. Sie können jeden beliebigen Knoten aus der Knotenpalette zu Ihrem Ablauf hinzufügen.
Weitere Informationen über die Knotenpalette finden Sie unter Knotenpalette.
SuperNodes
Sie können Ihre gesamte oder einen Teil Ihrer Bewegung als SuperNode speichern. Dieser SuperNode kann dann wie ein Knoten in anderen Abläufen verwendet werden. Sie können einen SuperNode verwenden, um komplexe Verarbeitungsebenen zu einem Ablauf hinzuzufügen, ohne eine lange Abfolge von Knoten hinzuzufügen, die Ihre Arbeitsfläche unübersichtlich machen kann.
Weitere Informationen über SuperNodes, finden Sie unter SuperNodes.