符合 PMML 的评分引擎支持：

• 各个供应商生成的符合 PMML 的模型（4.2 和更低版本），基线模型、记分卡模型、序列模型和文本模型除外。 请访问 Data Mining Group (DMG) Web 站点以获取受支持模型的列表。
• IBM SPSS 产品生成的非 PMML 模型：判别式和贝叶斯网络
• PMML 4.2 完全转换

不同种类的模型可生成不同的评分结果。 例如：

• 分类模型（具有分类目标的模型：贝叶斯网络、广义回归、挖掘、朴素贝叶斯、K 最近邻、神经网络、回归、规则集、支持向量机和树）生成：
  • 预测值
  • 概率
  • 置信度值
• 回归模型（具有持续目标的模型：广义回归、挖掘、K 最近邻、神经网络、回归和树）生成预测值；某些还生成了标准误差。
• Cox 回归（在广义回归中）生成预测的生存可能性和累积危险值。
• 树模型还生成节点标识。
• 集群模型生成集群标识和集群亲缘关系。
• 异常检测（表示为集群）生成异常指标和最主要原因。
• 关联模型生成结果、规则标识和排名前列的匹配规则的置信度。

Python 示例代码：

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()

父主题: SPSS 预测分析算法