L'exemple de projet contient plusieurs ensembles de données et des exemples de flux de modélisation. Si vous n'avez pas encore le projet exemple, reportez-vous à la rubrique Tutoriels pour créer le projet exemple. Suivez ensuite les étapes suivantes pour ouvrir l'exemple de projet :

1. Dans 'watsonx, à partir du menu de navigation ', choisissez Projets > Voir tous les projets.
2. Cliquez sur SPSS Modeler Project.
3. Cliquez sur l'onglet Actifs pour voir les ensembles de données et les flux du modélisateur.

Vérifier votre progression

L'image suivante montre l'onglet Actifs du projet. Vous êtes maintenant prêt à travailler avec l'exemple de flux du modeleur associé à ce tutoriel.

haut de page

La modélisation automatisée d'une cible de drapeau comprend plusieurs nœuds. Procédez comme suit pour examiner le nœud Data Asset.

1. Dans l'onglet Actifs, ouvrez le flux du modeleur Automated Modeling for a Flag Target et attendez que le canevas se charge.
2. Double-cliquez sur le nœud pm_customer_train1.csv. Ce nœud est un nœud de ressources de données qui pointe vers le fichier pm_customer_train1.csv du projet.
3. Examinez les propriétés du format de fichier.
4. Facultatif : cliquez sur "Aperçu des données" pour voir l'ensemble des données : Cliquez sur Aperçu des données pour voir l'ensemble des données.

   Le plus grand nombre d'enregistrements se trouve dans la campagne Premium account. Les valeurs du champ " campaign sont codées sous forme d'entiers dans les données (par exemple " 2 = Premium account). Plus tard, vous définirez des étiquettes pour ces valeurs, que vous pourrez utiliser pour obtenir des résultats plus significatifs.

   Le fichier comprend également un champ " response qui indique si l'offre a été acceptée (0 = no et " 1 = yes). Le champ " response est le champ cible, ou la valeur, que vous souhaitez prédire. Divers champs contenant des informations démographiques et financières sur chaque client sont également inclus. Ces champs sont utilisés pour construire ou former un modèle qui prédit les taux de réponse pour des individus ou des groupes en fonction de caractéristiques telles que le revenu, l'âge ou le nombre de transactions par mois.

Vérifier votre progression

L'image suivante présente le nœud Data Asset. Vous êtes maintenant prêt à modifier le nœud Type.

haut de page

Maintenant que vous avez exploré le bien de données, suivez les étapes suivantes pour afficher et modifier les propriétés du nœud Type :

1. Double-cliquez sur le nœud Type. Ce nœud spécifie les propriétés des champs, telles que le niveau de mesure (le type de données que le champ contient), et le rôle de chaque champ en tant que cible ou entrée dans la modélisation. Le niveau de mesure est une catégorie qui indique le type de données du champ. Le fichier de données source utilise trois niveaux de mesure différents :
   • Un champ continu (tel que le champ " Age ) contient des valeurs numériques continues.
   • Un champ nominal (tel que le champ " Education ) a deux ou plusieurs valeurs distinctes ; dans ce cas. College ou 'High school.
   • Un champ ordinal (tel que le champ " Income level ) décrit des données comportant plusieurs valeurs distinctes ayant un ordre inhérent ; dans ce cas, " Low, " Medium et " High.
2. Vérifiez que le champ de réponse # est le champ cible (Role = Target) et que la mesure pour ce champ est Flag.

   

3. Vérifiez que le rôle est défini sur Aucun pour les champs suivants. Ces champs sont ignorés lors de la construction du modèle.
   • customer_id
   • campagne Spectrum NAS Channels
   • date_de_réponse
   • achat
   • date_d'achat
   • product_id
   • identificateur de ligne
   • X_random
4. Cliquez sur Lire les valeurs dans le nœud Type pour vous assurer que les valeurs sont instanciées.

   Comme vous l'avez vu précédemment, les données sources comprennent des informations sur quatre campagnes différentes, chacune ciblant un type de compte client différent. Ces campagnes sont codées sous forme de nombres entiers dans les données. Pour vous aider à vous souvenir du type de compte que chaque nombre entier représente, définissez des étiquettes pour chacun d'entre eux.

   

5. Dans la ligne # campaign et la colonne Value Mode, sélectionnez Specify dans la liste.
6. Cliquez sur l'icône 'Editer ' dans la ligne du champ '# Campagne
   1. Vérifier les étiquettes comme indiqué pour chacune des quatre valeurs.

      

   2. Cliquez sur OK. Désormais, les étiquettes sont affichées dans les fenêtres de sortie à la place des nombres entiers.
7. Cliquez sur Sauvegarder.
8. Facultatif : Cliquez sur Aperçu des données pour voir l'ensemble de données avec les propriétés Type appliquées.

Vérifier votre progression

L'image suivante montre le nœud Type. Vous êtes maintenant prêt à sélectionner une campagne à analyser.

haut de page

Bien que les données contiennent des informations sur quatre campagnes différentes, vous concentrez l'analyse sur une seule campagne à la fois. Suivez les étapes suivantes pour afficher le nœud Sélectionner afin d'analyser uniquement la campagne du compte Premium :

1. Double-cliquez sur le nœud Select pour afficher ses propriétés.
2. Remarquez la condition. Étant donné que le plus grand nombre d'enregistrements relève de la campagne du compte Premium (codée " campaign=2 dans les données), le nœud Select ne sélectionne que ces enregistrements.
3. Facultatif : Cliquez sur Aperçu des données pour voir l'ensemble de données avec les propriétés de sélection appliquées.

Vérifier votre progression

L'image suivante montre le nœud Select. Vous êtes maintenant prêt à construire le modèle.

haut de page

Maintenant que vous avez sélectionné une seule campagne à analyser, suivez les étapes suivantes pour construire le modèle qui utilise le nœud Auto Classifier:

1. Double-cliquez sur le nœud Response (Auto Classifier) pour afficher ses propriétés.
2. Développez la section Build Options (Options de construction).
3. Dans le champ Classer les modèles par, sélectionnez Précision globale comme mesure utilisée pour classer les modèles.
4. Définissez le nombre de modèles à utiliser sur 3. Cette option signifie que les trois meilleurs modèles sont construits lors de l'exécution du nœud.

   

5. Développez la section Expert pour voir les différents algorithmes de modélisation.
6. Effacer les types de modèles Discriminant, SVM et Random Forest. L'apprentissage de ces modèles sur ces données prend plus de temps, c'est pourquoi leur élimination accélère l'exemple.

   Parce que vous avez défini la propriété Nombre de modèles à utiliser sur " 3 sous Options de construction, le nœud calcule la précision des algorithmes restants et génère une pépite de modèle unique contenant les trois plus précis.

   

7. Dans les options Ensemble, sélectionnez le vote pondéré par la confiance comme méthode d'ensemble pour les options Définir les cibles et Marquer les cibles. Ce paramètre détermine la manière dont un score agrégé unique est produit pour chaque enregistrement.

   Avec un vote simple, si deux modèles sur trois prédisent Oui, Oui gagne par un vote de 2 à 1. Dans le cas du vote pondéré par la confiance, les votes sont pondérés en fonction de la valeur de confiance pour chaque prévision. Par conséquent, si un modèle prévoit non avec un niveau de confiance plus élevé que les deux prévisions oui combinées, alors non l'emporte.

   

8. Cliquez sur Sauvegarder.
9. Survolez le nœud Response (Auto Classifier) et cliquez sur l'icône Run " .
10. Dans le volet Sorties et modèles, cliquez sur le modèle portant le nom response pour afficher les résultats. Les détails de chacun des modèles créés au cours de l'exécution s'affichent. (Dans une situation réelle, où des centaines de modèles peuvent être créés sur un grand ensemble de données, l'exécution du flux peut prendre plusieurs heures)
11. Cliquez sur le nom d'un modèle pour explorer les résultats de chacun d'entre eux.

    Par défaut, les modèles sont triés sur la base de la précision globale, car vous avez sélectionné cette mesure dans les propriétés du nœud Auto Classifier. Le modèle XGBoost Tree est en meilleure position selon cette mesure, mais les modèles C5.0 et C&RT sont presque aussi exacts.

    En fonction de ces résultats, vous pouvez décider d'utiliser les trois modèles les plus précis. En combinant les prédictions de plusieurs modèles, les limites des modèles individuels peuvent être évitées, ce qui se traduit par une plus grande précision globale.

12. Dans la colonne UTILISATION, vérifiez que les trois modèles sont bien présents, puis fermez la fenêtre du modèle.

Vérifier votre progression

L'image suivante montre le tableau de comparaison des modèles. Vous êtes maintenant prêt à effectuer l'analyse du modèle.

haut de page

Maintenant que vous avez examiné les modèles générés, suivez les étapes suivantes pour effectuer une analyse des modèles :

1. Survolez le nœud Analyse et cliquez sur l'icône Exécuter " .
2. Dans le volet Sorties et modèles, cliquez sur la sortie Analyse pour afficher les résultats.

   Le score agrégé généré par le modèle assemblé est indiqué dans un champ appelé " $XF-response". Lorsque les valeurs prédites sont mesurées par rapport aux données d'entraînement, elles correspondent à la réponse réelle (enregistrée dans le champ response d'origine) avec une exactitude globale de 92,77 %. Même si cette valeur n'est pas aussi bonne que celle obtenue par le meilleur des trois modèles (92,82 % pour C5.0), la différence est trop minime pour être significative. Généralement, un modèle combiné sera plus performant lorsqu'il sera appliqué à des jeux de données autres que les données de formation.

Vérifier votre progression

L'image suivante montre la comparaison de modèles qui utilise le nœud d'analyse.

haut de page