Un moteur d'évaluation compatible PMML prend en charge :

• Les modèles compatibles PMML (version 4.2 et versions antérieures) produits par différents fournisseurs, à l'exception du modèle de référence, du modèle ScoreCard, du modèle de séquence et du modèle de texte. Pour obtenir la liste des modèles pris en charge, voir le site Web de Data Mining Group (DMG).
• Les modèles non PMML produits par les produits IBM SPSS : Discriminant et réseaux bayésiens.
• Les transformations complètes PMML 4.2.

Différents types de modèle peuvent générer différents résultats d'évaluation. Par exemple :

• Les modèles de classification (dont la cible catégorielle est Bayes Net, General Regression, Mining, Naive Bayes, k-Nearest Neighbor, Neural Network, Regression, Ruleset, Support Vector Machine et Tree) produisent :
  • Valeurs prédites
  • Probabilités
  • des valeurs de confiance.
• Les modèles de régression (dont la cible continue est General Regression, Mining, k-Nearest Neighbor, Neural Network, Regression et Tree) produisent des valeurs prédites ; certains produisent également des erreurs standard.
• La régression de Cox (dans General Regression) produit des valeurs prédites de probabilité de survie et des valeurs de risque cumulées.
• Les modèles d'arbre produisent également des ID de noeud.
• Les modèles de regroupement produisent l'ID de cluster et l'affinité de cluster.
• La détection des anomalies (représentée en tant que regroupement) produit un index d'anomalie et les principales raisons.
• Les modèles d'association produisent une conséquence, un ID de règle et le niveau de confiance pour les principales règles de correspondance.

Exemple de code 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()

Rubrique parent: SPSS