Der Knoten "Autonumerisch" schätzt und vergleicht Modelle für Ergebnisse stetiger numerischer Bereiche mithilfe einer Reihe verschiedener Methoden, wodurch Sie eine Vielzahl von Ansätzen in einer einzelnen Modellierungsausführung ausprobieren können. Sie können die gewünschten Algorithmen auswählen und mit mehreren Kombinationen von Optionen experimentieren. Beispielsweise könnten Sie Immobilienwerte mithilfe von Modellen vom Typ "Neuronales Netz", "Lineare Regression", "C&R-Baum" und "CHAID" vorhersagen, um zu ermitteln, welches Modell die beste Leistung erbringt, und Sie könnten verschiedene Kombinationen der Regressionsmethoden "Schrittweise", "Vorwärts" und "Rückwärts" ausprobieren. Der Knoten untersucht jede mögliche Kombination von Optionen, stuft jedes in Frage kommende Modell auf der Basis des angegebenen Werts und speichert die geeignetsten Kombinationen in Scoring oder weiterer Analyse.

Beispiel

Eine Gemeinde möchte die Immobiliensteuern mit größerer Genauigkeit schätzen und Werte für bestimmte Immobilien nach Bedarf anpassen, ohne jedes einzelne Anwesen besichtigen zu müssen. Mit dem Knoten 'Autonumerisch' kann der Analyst eine Reihe von Modellen generieren und vergleichen, die Liegenschaftswerte auf der Basis von Bautyp, Nachbarschaft, Größe und anderen bekannten Faktoren vorhersagen.

Voraussetzungen

Ein einzelnes Zielfeld (mit der Rolle Ziel) und mindestens ein Eingabefeld (mit der Rolle Eingabe). Beim Ziel muss es sich um ein stetiges Feld (numerischer Bereich) handeln, beispielsweise Alter oder Einkommen. Eingabefelder können stetig oder kategorial sein, mit der Einschränkung, dass einige Eingaben für bestimmte Modelltypen nicht geeignet sind. So können beispielsweise Modelle vom Typ "C&R-Baum" kategoriale Zeichenfolgefelder als Eingaben verwenden, während lineare Regressionsmodelle diese Felder nicht verwenden können und sie ignorieren, wenn sie angegeben sind. Die Anforderungen sind dieselben wie bei Verwendung der einzelnen Modellierungsknoten. So funktioniert beispielsweise ein CHAID-Modell immer auf dieselbe Weise, unabhängig davon, ob es aus einem CHAID-Knoten oder aus einem Knoten vom Typ "Autonumerisch" generiert wurde.

Häufigkeits- und Gewichtungsfelder

Häufigkeit und Gewichtung dienen dazu, einigen Datensätzen eine größere Bedeutsamkeit zu verleihen als anderen, beispielsweise weil der Benutzer weiß, dass ein Teil der übergeordneten Grundgesamtheit im erstellten Dataset unterrepräsentiert ist (Gewichtung) oder weil ein Datensatz für eine Reihe identischer Fälle steht (Häufigkeit). Häufigkeitsfelder können, sofern angegeben, von Algorithmen vom Typ "C&R-Baum" und "CHAID" verwendet werden. Gewichtungsfelder können von Algorithmen vom Typ "C&R-Baum", "CHAID" und "GenLin" verwendet werden. Andere Modelltypen ignorieren diese Felder und erstellen die Modelle in jedem Fall. Häufigkeits- und Gewichtungsfelder werden nur für die Modellerstellung verwendet. Bei der Evaluierung bzw. beim Scoren von Modellen werden sie nicht berücksichtigt.

Präfixe

Wenn Sie einen Tabellenknoten an das Nugget für den Knoten 'Autonumerisch' anhängen, erscheinen mehrere neue Variablen in der Tabelle mit Namen, die mit einem $-Präfix beginnen.

Die Namen der während des Scorings generierten Felder basieren auf dem Zielfeld, weisen aber ein Standardpräfix auf. Verschiedene Modelltypen verwenden verschiedene Präfixsets.

Beispielsweise werden die Präfixe $G, $R, $C als Präfix für Vorhersagen verwendet, die durch das verallgemeinerte lineare Modell, das CHAID-Modell bzw. das C5.0-Modell generiert werden. $X wird normalerweise durch Verwendung eines Ensembles generiert, und $XR, $XS und $XF werden als Präfixe in Fällen verwendet, in denen das Zielfeld ein kontinuierliches, kategoriales oder Flag-Feld ist.

$..E-Präfixe werden für die Vorhersagekonfidenz eines kontinuierlichen Ziels verwendet, z. B. wird $XRE als Präfix für Ensemble-kontinuierliche Vorhersagekonfidenz verwendet. $GE ist das Präfix für eine einzelne Vorhersage der Konfidenz für ein generalisiertes lineares Modell.