示例项目包含多个数据集和示例建模流程。 如果还没有示例项目，请参阅教程主题创建示例项目。 然后按照以下步骤打开示例项目：

1. 在Cloud Pak for Data 中，从导航菜单"，选择项目 > 查看所有项目。
2. 单击SPSS ModelerProject。
3. 单击 "资产"选项卡，查看数据集和建模流程。

检查您的进度

下图显示了 "项目资产 "选项卡。 现在您可以使用与本教程相关的示例建模流程了。

返回到顶部

连续目标自动建模包括几个节点。 按照以下步骤检查数据资产和类型节点：

1. 从 "资产"选项卡，打开 "连续目标自动建模"建模流程，等待画布加载。
2. 双击property_values_train.csv节点。 该节点是一个数据资产节点，指向项目中的property_values_train.csv文件。
3. 查看文件格式属性。
4. 可选：单击 "预览数据"查看完整数据集。
5. 双击类型节点。
6. 将taxable_value字段的角色设置为目标。 其他字段用作预测因子。

   

7. 可选：单击 "预览数据"查看过滤后的数据集。

检查您的进度

下图显示了类型节点。 现在您可以配置建模节点了。

返回到顶部

本示例使用自动数值建模节点，该节点可估算和比较模型，以尝试连续数值范围的各种方法。 请按照以下步骤配置建模节点：

1. 双击应税价值节点，查看其属性。
2. 展开基础部分，并设置以下属性：
   1. 在 "按字段排列模型"字段中，选择 "相关性"。
   2. 在 "要使用的型号数"字段中，键入 "3。 这意味着在运行节点时，将建立三个最佳模型。

   

3. 展开专家部分。 所选算法有六种，因此节点会为每种算法估算一个模型，总共有六个模型。 （或者，您可以修改这些设置，以对每个模型类型的多个变体进行比较。） 由于您在 "基础 "部分将 "要使用的模型数"属性设置为 "3，因此节点会计算六种算法的精确度，并构建包含三种最精确算法的单一模型金块。

   

4. 展开合奏部分查看默认设置。 由于本例中使用的是连续目标，因此集合得分是通过平均各个模型的得分而产生的。

   

检查您的进度

下图显示了建模节点。 现在您可以对模型进行比较了。

返回到顶部

现在您已经指定了要构建的三个模型，请按照以下步骤生成和比较模型：

1. 将鼠标悬停在taxable_value节点上，然后单击运行图标 "。
2. 在 "输出和模型"窗格中，单击名称为taxable_value 的结果来查看结果。

   您将看到运行过程中创建的每个模型的详细信息。 (在实际情况中，需要在一个大型数据集上估计数百个模型，运行流程可能需要很多小时） 该表包含建模节点生成的一组模型。

3. 要进一步了解任何单个模型，请单击 "估计器"栏中的模型名称，查看单个模型的结果。
   1. 查看模型信息页面。 该表包含的信息涉及拟合模型的类型、目标领域、输入特征的数量、激活函数以及生成网络的大小。
   2. 查看该型号的任何其他页面。
   3. 关闭模型详细信息。

   默认情况下，模型是按准确度（相关性）排序的，因为您在自动数值节点的属性中选择了相关性作为衡量标准。 对于排序目的，使用准确性的绝对值，值越接近 1，说明关系越强。

   您可以通过单击不同列的标题对此列进行排序。

   基于这些结果，您可以决定使用所有这三个最准确的模型。 通过综合多个模型的预测结果，可以避免单个模型的局限性，从而提高整体准确性。

4. 确认 "使用"栏中选择了所有三种型号。
5. 关闭视图模型：taxable_value窗口。

检查您的进度

下图显示了型号对照表。 现在您可以运行模型分析了。

返回到顶部

现在，您已经查看了三种模型的比较，可以按照以下步骤对模型进行分析：

1. 将鼠标悬停在分析节点上，点击运行图标 "。
2. 在 "输出和模型"窗格中，单击名称为 "分析 "的输出结果以查看结果。
   

   由集合模型生成的平均得分被添加到一个名为 "$XR-taxable_value的字段中，其相关性为0.934，高于三个单独模型的得分。 集合得分还显示出较低的平均绝对误差，在应用于其他数据集时，可能比任何单个模型的表现都要好。

检查您的进度

下图显示了分析节点的模型比较。

返回到顶部