Silnik punktowy zgodny z PMML obsługuje:

• Modele zgodne ze standardem PMML (4.2 i wcześniejsze wersje) produkowane przez różnych dostawców, z wyjątkiem modeli linii bazowej, modelu ScoreCard , modelu sekwencji i modelu tekstu. Listę obsługiwanych modeli można znaleźć w serwisie WWW Data Mining Group (DMG) (Grupa eksploracji danych-serwis WWW DMG).
• Modele inne niż PMML utworzone przez produkty IBM SPSS : Diskryminant i sieci bayesowskie
• Transformacje PMML 4.2 całkowicie

Różne rodzaje modeli mogą generować różne wyniki oceny. Na przykład:

• Modele klasyfikacji (dla zmiennej przewidywanej jakościowej: Bayes Net, General Regression, Mining, Naive Bayes, k-Nearest Neighbor, Neural Network, Regression, Ruleset, Support Vector Machine i Tree) produkują:
  • Wartości przewidywane
  • Prawdopodobieństwa
  • Wartości ufności
• Modele regresji (te z ciągłym celem: Regresja ogólna, Górnictwo, k-Najbliższe sąsiedztwo, Sieć neuronowa, Regresja i Drzewo) generują wartości przewidywane; niektóre z nich również generują błędy standardowe.
• Regresja Coxa (w regresji ogólnej) generuje przewidywane prawdopodobieństwo przeżycia i skumulowane wartości hazardu.
• Modele drzewa również tworzą identyfikator węzła.
• Modele skupień tworzą identyfikator klastra i powinowactwo klastra.
• Anomalia Detection (reprezentowana jako Clustering) generuje indeks anomalii oraz przyczyny górne.
• Modele asocjacji tworzą kolejny, identyfikator reguły i ufność dla reguł o najwyższym dopasowaniu.

Kod przykładowyPython :

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()

Temat nadrzędny: Algorytmy analizy predykcyjnejSPSS