Węzeł Auto Predykcja estymuje i porównuje modele dla wyników ilościowych przedziału liczbowego, korzystając z szeregu różnych metod, co pozwala na wypróbowanie szeregu podejść w jednym przebiegu modelowania. Istnieje możliwość wyboru algorytmów, które mają być używane, oraz eksperymentowania z wieloma kombinacjami opcji. Możliwa jest na przykład predykcja wartości składowych z użyciem sieci neuronowych, regresji liniowej, modelu C&RT lub modelu CHAID w celu stwierdzenia, który z nich sprawdza się najlepiej. Możliwe jest także wypróbowanie różnych kombinacji metod regresji krokowej, postępującej i wstecznej. Węzeł umożliwia eksplorację każdej możliwej kombinacji opcji, rangując każdy model kandydacki w oparciu o określoną przez użytkownika miarę, a następnie zapisuje najlepszy z nich do wykorzystania w ocenie lub do dalszej analizy.

Przykład

Zarząd miasta potrzebuje dokładniejszych oszacowań podatku od nieruchomości oraz możliwości dostosowania wartości dla konkretnych nieruchomości odpowiednio do potrzeb, bez konieczności sprawdzania każdej z nich. Korzystając z węzła Auto Predykcja, analityk może wygenerować i porównać szereg modeli, które przewidują wartości nieruchomości w oparciu o typ budynku, sąsiedztwo, wielkość i inne znane czynniki.

Wymagania

Pojedyncza zmienna przewidywana (dla której jako rolę ustawiono Przewidywana), oraz co najmniej jedna zmienna wejściowa (dla której jako rolę ustawiono Dane wejściowe). Zmienna przewidywana musi być zmienną ilościową (przedziałem liczbowym), taką jak wiek czy przychód. Zmienne wejściowe mogą być ilościowe lub jakościowe, przy zastrzeżeniu, że niektóre dane wejściowe mogą być nieodpowiednie w przypadku niektórych typów modeli. Na przykład modele C&RT mogą korzystać z jakościowych zmiennych łańcuchowych jako danych wejściowych, podczas gdy modele regresji liniowej nie mogą używać takich zmiennych i będą je ignorować. Wymagania są takie same jak w przypadku korzystania z indywidualnych węzłów modelowania. Na przykład model CHAID działa tak samo niezależnie od tego, czy został wygenerowany na podstawie węzła CHAID, czy na podstawie węzła Auto Predykcja.

Zmienne częstości i ważąca.

Częstość i waga pozwalają nadać niektórym rekordom większe znaczenie niż innym, na przykład wówczas, kiedy użytkownik wie, że wbudowany zbiór danych nie zapewnia właściwej reprezentacji części populacji nadrzędnej (Waga) lub ponieważ jeden rekord reprezentuje pewną liczbę identycznych obserwacji (Częstość). W przypadku zaznaczenia tej opcji zmienna częstości może być wykorzystywana przez algorytmy C&RT oraz CHAID. Zmienna ważąca może być wykorzystywana przez algorytmy C&RT, CHAID, regresję i Modele uogólnione. Inne typy modeli będą ignorować te zmienne, tworząc modele mimo to. Zmienne częstości i ważąca są używane tylko do tworzenia modeli i nie są uwzględniane podczas oceniania modeli.

Przedrostki

W przypadku dołączenia węzła tabeli do modelu użytkowego dla węzła Auto Predykcja tabeli dostępnych jest kilka nowych zmiennych o nazwach rozpoczynających się prefiksem $.

Nazwy zmiennych, które są wygenerowane podczas oceniania, są tworzone na podstawie zmiennej przewidywanej, ale dodawany jest standardowy przedrostek. Różne typy modeli używają różnych zestawów przedrostków.

Na przykład przedrostki $G, $R, $C są używane jako przedrostki predykcji, które są generowane odpowiednio przez model uogólniony model liniowy, model CHAID i model C5.0 . $X jest zwykle generowany przez użycie zespołu, a $XR, $XS i $XF są używane jako przedrostki w przypadkach, gdzie zmienna przewidywana jest zmienną ilościową, jakościową lub zmienną typu flaga.

Przedrostki $..E są używane w przypadku ufności predykcji decelowej wartości ilościowej; na przykład przedrostek $XRE jest używany w przypadku ufności predykcji ciągłej ilościowej. $GE jest przedrostkiem dla pojedynczej predykcji ufności dla uogólnionego modelu liniowego.