Datenauswertung in SPSS Modeler

Letzte Aktualisierung: 12. Feb. 2025
Projektphasen für Data Mining in SPSS Modeler

Der Arbeitsablauf in SPSS Modeler basiert auf der Methodik des Cross-Industry Standard Process for Data Mining (CRISP-DM). Diese Methode bettet Ihre Arbeit in SPSS Modeler in ein größeres Projekt mit mehreren Phasen ein. Die Phasen, in denen Sie in SPSS Modeler arbeiten, verwenden Projekte zur Verwaltung Ihrer Arbeit und Ihrer Ressourcen.

Abb. 1. Phasen für SPSS Modeler
Bild mit allen Phasen für Projekte in SPSS. Es gibt fünf Phasen: Datenverständnis, Datenaufbereitung, Modellierung, Einsatz und Bewertung. Jeder dieser Bereiche umfasst mehrere Aufgaben.

Phasen der Datengewinnung

Die CRISP-DM-Methode gliedert sich in folgende Phasen.

Untersuchung der Geschäftsziele
Versuchen Sie in dieser Phase, so viel wie möglich über die Unternehmensziele für Data Mining zu erfahren. Treffen Sie sich mit Interessenvertretern und legen Sie fest, wie Ihre Arbeit mit SPSS Modeler Geschäftsziele oder Probleme angeht.

Weitere Informationen finden Sie unter Verstehen und Aufbereiten von Daten.

Datenuntersuchung
Sie müssen Ihre Daten sammeln und verstehen, bevor Sie in SPSS Modeler Datenflüsse erstellen. Nehmen Sie sich die Zeit, die Datenstruktur, Beziehungen und Muster in Ihren Daten zu verstehen.

Weitere Informationen finden Sie unter Verstehen und Aufbereiten von Daten.

Datenaufbereitung
Sie müssen Ihre Daten vorbereiten, bevor Sie Modelle in SPSS Modeler trainieren. Nehmen Sie sich die Zeit, Ihre Daten so aufzubereiten, dass sie für die Verwendung im Data Mining optimiert sind.

Weitere Informationen finden Sie unter Verstehen und Aufbereiten von Daten.

Modellierung
Erstellen Sie SPSS Modeler, um Ihre Daten zu untersuchen, verschiedene Modelle auszuprobieren und Beziehungen zu untersuchen, um nützliche Informationen zu finden.

Weitere Informationen finden Sie unter Aufbau von Strömungen und Modellen.

Bereitstellung

Nachdem Sie ein Prognosemodell erstellt und trainiert haben, können Sie es auf watsonx.ai Runtime veröffentlichen, wenn Sie den Dienst watsonx.ai Runtime nutzen.

Weitere Informationen finden Sie unter Förderung von SPSS Modeler und -Modellen.

Evaluierung
Bewerten Sie die Qualität Ihrer Modelle und ihrer Vorhersagen. Sie können zum Beispiel Analyseknoten zu Ihren Abläufen hinzufügen, um zu beurteilen, wie genau die Vorhersagen Ihres Modells sind. Sie können auch einen Auswertungsknoten verwenden, um Vorhersagemodelle zu vergleichen und das beste Modell zu finden.

Arbeiten mit Projekten und Datenassets

Die gesamte Arbeit mit SPSS Modeler findet innerhalb eines Projekts statt. Ein Projekt enthält alle Ihre Datenbestände und -ströme.

Sie können SPSS Modeler mit einer Datenquelle wie einer Datenbank verbinden, um den Zugriff auf Ihre Daten in SPSS Modeler zu erleichtern.

Weitere Informationen zum Verbinden von Daten finden Sie unter Unterstützte Datenquellen

Sie können einen Stream ( .str ) importieren, der in SPSS Modeler Subscription oder SPSS Modeler Client erstellt wurde. Wenn die importierte Strömung einen oder mehrere Import- oder Exportknoten enthält, werden Sie beim Öffnen der Strömung aufgefordert, die Knoten zu konvertieren.

Weitere Informationen finden Sie unter Importieren eines SPSS Modeler.

Scripts

Sie können die Skripterstellung in SPSS Modeler verwenden, um Aufgaben zu automatisieren. Sie können Skripte in R, Python oder Python für Spark und der Control Language for Expression Manipulation (CLEM) schreiben. CLEM ist eine Sprache zur Analyse und Manipulation der Datenströme in Ihren Abläufen.

Weitere Informationen finden Sie unter Skripting und Automatisierung.