Un motore di calcolo del punteggio conforme a PMML supporta:

• Modelli compatibili con PMML (4.2 e versioni precedenti) prodotti da vari fornitori, ad eccezione del modello Baseline, del modello ScoreCard , del modello Sequenza e del modello Testo. Fare riferimento al sito Web DMG (Data Mining Group) per un elenco di modelli supportati.
• Modelli non PMML prodotti dai prodotti IBM SPSS : reti discriminanti e bayesiane
• Trasformazioni PMML 4.2 completamente

Diversi tipi di modelli possono produrre vari risultati di calcolo del punteggio. Ad esempio:

• I modelli di classificazione (quelli con un obiettivo categoriale: Rete di Bayes, Regressione generale, Mining, Naive Bayes, Elemento adiacente k-Nearest, Rete neurale, Regressione, Insieme di regole, Support Vector Machine e Albero) producono:
  • Valori previsti
  • Probabilità
  • Valori di confidenza
• I modelli di regressione (quelli con un obiettivo continuo: Regressione generale, Mining, Vicino k - più vicino, Rete neurale, Regressione e Albero) producono valori previsti; alcuni producono anche errori standard.
• La regressione di Cox (in gressione generale) produce la probabilità di sopravvivenza prevista e i valori di rischio cumulativo.
• I modelli di struttura ad albero producono anche ID nodo.
• I modelli di cluster producono ID cluster e affinità cluster.
• Anomaly Detection (rappresentato come Clustering) produce indice di anomalie e motivi principali.
• I modelli di associazione producono Consequente, ID regola e confidenza per le regole di corrispondenza principali.

Codice di esempioPython :

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()

Argomento principale SPSS algoritmi di analisi predittiva