Un motor de puntuación compatible con PMML da soporte a:

• Modelos compatibles con PMML (4.2 y versiones anteriores) producidos por varios proveedores, excepto el modelo de línea base, el modelo de tarjeta de puntuación, el modelo de secuencia y el modelo de texto. Consulte el sitio web del Grupo de Minería de Datos (DMG) para obtener una lista de los modelos admitidos.
• Modelos no PMML creados por productos IBM SPSS: Redes discriminante y bayesiana
• Transformaciones por completo de PMML 4.2

Los diferentes tipos de modelos pueden generar varios resultados de puntuación. Por ejemplo:

• Los modelos de clasificación (aquellos con un destino categórico: Bayes Net, General Regression, Mining, Naive Bayes, K-Nearest Neighbor, Neural Network, Regression, Ruleset, Support Vector Machine y Tree) generan:
  • Valores pronosticados
  • Probabilidades
  • Valores de confianza
• Los modelos de regresión (aquellos con un objetivo continuo: General Regression, Mining, k-Nearest Neighbor, Neural Network, Regression y Tree) generan valores pronosticados; algunos también generan errores estándar.
• La regresión de Cox (en regresión general) genera la probabilidad de supervivencia pronosticada y los valores de riesgo acumulados.
• Los modelos de árbol también generan el ID de nodo.
• Los modelos de clúster generan el ID de clúster y la afinidad de clúster.
• La detección de anomalías (representada como agrupación en clúster) produce el índice de anomalías y las razones principales.
• Los modelos de asociación generan la Consecuencia, el ID de regla y la confianza para las reglas principales de coincidencia.

Código de ejemplo de Python:

from spss.ml.score import Score

with open("linear.pmml") as reader:
    pmmlString = reader.read()

score = Score().fromPMML(pmmlString)
scoredDf = score.transform(data)
scoredDf.show()

Tema principal: SPSS algoritmos de análisis predictivo