SPSS Modeler bietet Modellierungsalgorithmen, die aus dem maschinellen Lernen, der künstlichen Intelligenz und der Statistik stammen. Mit diesen Modellierungsalgorithmen können Sie Ihre Daten analysieren und neue Geschäftserkenntnisse gewinnen. Mit SPSS Modeler können Sie schnell Vorhersagemodelle entwickeln und diese in Geschäftsabläufen einsetzen.
Was ist SPSS Modeler?
Copy link to section
SPSS Modeler ist eine Data-Mining-Anwendung, mit der Sie mithilfe der visuellen Schnittstelle SPSS Modeler erstellen können. Eine Programmierung ist nicht erforderlich. Sie können SPSS Modeler erstellen, um Ihre Daten zu untersuchen, Ergebnisse zu modellieren, verschiedene Modelle auszuprobieren und Beziehungen zu untersuchen, um nützliche Informationen zu finden. SPSS Modeler verwendet die branchenübergreifende Standardprozessmethode für Data Mining (CRISP-DM), die sich als Leitfaden für Ihre Data Mining-Aktivitäten bewährt hat.
Mit dem Ablaufeditorkönnen Sie Daten vorbereiten oder formen, ein Modell trainieren oder bereitstellen oder Daten transformieren und zurück in eine Datenbanktabelle oder eine Datei in Cloud Object Storageexportieren. Die Ausführung eines SPSS Modeler -Datenflusses verbraucht Kapazitätseinheitenstunden. Weitere Informationen finden Sie unter Computernutzung in Watson Studio.
Sie können die erweiterten Analysefunktionen von SPSS Modeler nutzen, um Muster in Ihren Daten zu entdecken und Modelle zu optimieren. Sie können diese Modelle dann in Ihrem Unternehmen einsetzen, um Vorhersagen für neue Daten mit unbekannten Ergebnissen zu treffen. Die Modelle können Daten systematisch analysieren und Geschäftseinblicke und -möglichkeiten finden. Wenn Sie Zugriff auf den Dienst watsonx.ai Runtime haben, können Sie Modelle in Bereitstellungsbereiche verschieben, um sie auszuführen.
Datenformate
Relational: Tabellen in relationalen Datenquellen
Tabellarisch: Tabellen in Datendateien wie .xls, .csv, .jsonoder .sas. Bei Excel-Dateien wird nur das erste Arbeitsblatt gelesen.
Text: In den unterstützten relationalen Tabellen oder Dateien
Sie können Funktionen für die automatische Datenaufbereitung einsetzen.
Sie können SQL-Anweisungen schreiben, um Daten zu bearbeiten.
Sie können Daten bereinigen, formen, sortieren und ableiten.
Methoden für die Datenanalyse
Sie können Daten mit vielen Diagrammoptionen visualisieren.
Sie können die natürliche Sprache eines Textfeldes ermitteln.
Methoden für die Modellerstellung
Sie können Vorhersagemodelle erstellen.
Zur Auswahl stehen über 40 Modellierungsalgorithmen und viele weitere Knoten.
Sie können Funktionen für die automatische Modellierung einsetzen.
Sie können Zeitreihen oder Geodaten modellieren.
Sie können Textdaten klassifizieren.
Sie können Beziehungen zwischen den Konzepten in Textdaten ermitteln.
Hinweis:Watson Studio enthält keine SPSS Modeler in Peru, Ecuador, Kolumbien und Venezuela.
Scripting
Copy link to section
Sie können die Skripterstellung in SPSS Modeler verwenden, um Aufgaben zu automatisieren, die sich stark wiederholen oder zeitaufwändig sind, wenn sie manuell ausgeführt werden. Skripte können dieselben Arten von Aktionen ausführen wie Benutzer mit einer Maus oder einer Tastatur, und Sie können Skripte in R, Python oder Python für Spark schreiben.
Im Folgenden sind einige der Aufgaben aufgeführt, die Sie mit Skripten automatisieren können:
Auferlegung einer bestimmten Reihenfolge für laufende Knoten in einem Fluss
Eigenschaften für einen Knoten festlegen
Richten Sie einen Prozess ein, der automatisch einen Modell-Trainingsablauf übernimmt, ausführt und den entsprechenden Modell-Testablauf erstellt.
Zugehörige Services
Copy link to section
Wenn Sie Zugang zu anderen Diensten auf Cloud Pak for Data haben, können Sie diese mit SPSS Modeler nutzen. Die folgenden Dienste bieten Funktionen, die die Arbeit in SPSS Modeler ergänzen.
Hinweis:Watson.ai Studio ist ein voraussetzungsvoller Service für SPSS Modeler.
Hiermit können Sie einen Ablauf mit einer festgelegten Reihenfolge von Operationen zum Bereinigen und Formen von Daten erstellen. Durch eine Visualisierung von Daten können Sie Probleme feststellen und Erkenntnisse gewinnen.
Erstellen Sie einen Ablauf mit einer Gruppe von Connectors und Stages, um Daten zu transformieren und zu integrieren. Stellen Sie angereicherte und angepasste Informationen für Ihr Unternehmen bereit.
Schnelles Erstellen, Ausführen und Verwalten von generativen KI- und Machine-Learning-Anwendungen mit integrierter Leistung und Skalierbarkeit.
War das Thema hilfreich?
Ja
Nein
Fehlende Informationen
Falsche Informationen
Verwirrende Informationen
Defekter Link
Andere
Zurück
0/1000
Kommentar senden
Zurück
Focus sentinel
Focus sentinel
Focus sentinel
Focus sentinel
Focus sentinel
Cloud Pak for Data relationship map
Use this interactive map to learn about the relationships between your tasks, the tools you need, the services that provide the tools, and where you use the tools.
Select any task, tool, service, or workspace
You'll learn what you need, how to get it, and where to use it.
Some tools perform the same tasks but have different features and levels of automation.
Jupyter notebook editor
Prepare data
Visualize data
Build models
Deploy assets
Create a notebook in which you run Python, R, or Scala code to prepare, visualize, and analyze data, or build a model.
AutoAI
Build models
Automatically analyze your tabular data and generate candidate model pipelines customized for your predictive modeling problem.
SPSS Modeler
Prepare data
Visualize data
Build models
Create a visual flow that uses modeling algorithms to prepare data and build and train a model, using a guided approach to machine learning that doesn’t require coding.
Decision Optimization
Build models
Visualize data
Deploy assets
Create and manage scenarios to find the best solution to your optimization problem by comparing different combinations of your model, data, and solutions.
Data Refinery
Prepare data
Visualize data
Create a flow of ordered operations to cleanse and shape data. Visualize data to identify problems and discover insights.
Orchestration Pipelines
Prepare data
Build models
Deploy assets
Automate the model lifecycle, including preparing data, training models, and creating deployments.
RStudio
Prepare data
Build models
Deploy assets
Work with R notebooks and scripts in an integrated development environment.
Federated learning
Build models
Create a federated learning experiment to train a common model on a set of remote data sources. Share training results without sharing data.
Deployments
Deploy assets
Monitor models
Deploy and run your data science and AI solutions in a test or production environment.
Catalogs
Catalog data
Governance
Find and share your data and other assets.
Metadata import
Prepare data
Catalog data
Governance
Import asset metadata from a connection into a project or a catalog.
Metadata enrichment
Prepare data
Catalog data
Governance
Enrich imported asset metadata with business context, data profiling, and quality assessment.
Data quality rules
Prepare data
Governance
Measure and monitor the quality of your data.
Masking flow
Prepare data
Create and run masking flows to prepare copies of data assets that are masked by advanced data protection rules.
Governance
Governance
Create your business vocabulary to enrich assets and rules to protect data.
Data lineage
Governance
Track data movement and usage for transparency and determining data accuracy.
AI factsheet
Governance
Monitor models
Track AI models from request to production.
DataStage flow
Prepare data
Create a flow with a set of connectors and stages to transform and integrate data. Provide enriched and tailored information for your enterprise.
Data virtualization
Prepare data
Create a virtual table to segment or combine data from one or more tables.
OpenScale
Monitor models
Measure outcomes from your AI models and help ensure the fairness, explainability, and compliance of all your models.
Data replication
Prepare data
Replicate data to target systems with low latency, transactional integrity and optimized data capture.
Master data
Prepare data
Consolidate data from the disparate sources that fuel your business and establish a single, trusted, 360-degree view of your customers.
Services you can use
Services add features and tools to the platform.
watsonx.ai Studio
Develop powerful AI solutions with an integrated collaborative studio and industry-standard APIs and SDKs. Formerly known as Watson Studio.
watsonx.ai Runtime
Quickly build, run and manage generative AI and machine learning applications with built-in performance and scalability. Formerly known as Watson Machine Learning.
IBM Knowledge Catalog
Discover, profile, catalog, and share trusted data in your organization.
DataStage
Create ETL and data pipeline services for real-time, micro-batch, and batch data orchestration.
Data Virtualization
View, access, manipulate, and analyze your data without moving it.
Watson OpenScale
Monitor your AI models for bias, fairness, and trust with added transparency on how your AI models make decisions.
Data Replication
Provide efficient change data capture and near real-time data delivery with transactional integrity.
Match360 with Watson
Improve trust in AI pipelines by identifying duplicate records and providing reliable data about your customers, suppliers, or partners.
Manta Data Lineage
Increase data pipeline transparency so you can determine data accuracy throughout your models and systems.
Where you'll work
Collaborative workspaces contain tools for specific tasks.
Project
Where you work with data.
> Projects > View all projects
Catalog
Where you find and share assets.
> Catalogs > View all catalogs
Space
Where you deploy and run assets that are ready for testing or production.
> Deployments
Categories
Where you manage governance artifacts.
> Governance > Categories
Data virtualization
Where you virtualize data.
> Data > Data virtualization
Master data
Where you consolidate data into a 360 degree view.