Eine PMML-konforme Scoring-Engine unterstützt Folgendes:

• PMML-kompatible Modelle (Version 4.2 und früher) verschiedener Anbieter, mit Ausnahme des Baseline-, ScoreCard-, Sequenz- und Textmodells. Eine Liste der unterstützten Modelle finden Sie auf der Website der Data Mining Group (DMG).
• Von IBM SPSS-Produkten hergestellte Nicht-PMML-Modelle: Diskriminanz und Bayes-Netze
• Alle PMML 4.2-Transformationen

Unterschiedliche Modelltypen können verschiedene Scoring-Ergebnisse erzeugen. Beispiel:

• Klassifikationsmodelle (mit dem kategorialen Ziel 'Bayes-Netz', 'Allgemeine Regression', 'Mining', 'Naive Bayes', 'k-Nächste Nachbarn', 'Neuronales Netz', 'Regression', 'Regelsatz', 'Support Vector Machine' und 'Baum') erzeugen Folgendes:
  • Vorhergesagte Werte
  • Wahrscheinlichkeiten
  • Konfidenzwerte
• Regressionsmodelle (mit einem stetigen Ziel: 'Allgemeine Regression', 'Mining', 'k-Nächste Nachbarn', 'Neuronales Netz', 'Regression' und 'Baum') erzeugen vorhergesagte Werte, einige erzeugen auch Standardfehler.
• Cox-Regression (in 'Allgemeine Regression') erzeugt die vorhergesagte Überlebenswahrscheinlichkeit und kumulative Gefahrenwerte.
• Baummodelle erzeugen auch die Knoten-ID.
• Clustering-Modelle erzeugen Cluster-ID und Clusteraffinität.
• Anomalieerkennung (als Clustering dargestellt) produziert einen Anomalieindex und die wichtigsten Gründe.
• Assoziationsmodelle erzeugen Konsequent, Regel-ID und Konfidenz für Regeln für die beste Übereinstimmung.

Python-Beispielcode:

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()

Übergeordnetes Thema: SPSS Vorhersageanalysealgorithmen