• Salford Predictive Modeler

    Liste der Funktionen

    Allgemeine Funktionen des Salford Predictive Modeler® 8:

    • Modellierungsmodul: CART®-Entscheidungsbäume
    • Modellierungsmodul: TreeNet® Gradient Boosting
    • Modellierungsmodul: Random Forests®-Baumensemble
    • Modellierungsmodul: Nicht lineare MARS®-Regressions-Splines
    • Modellierungsmodul: Von GPS regularisierte Regression (LASSO, elastisches Netz, Ridge usw.)
    • Modellierungsmodul: RuleLearner®, vereint die Genauigkeit von TreeNet mit der Interpretierbarkeit der Regression
    • Modellierungsmodul: ISLE-Modellkomprimierung
    • Über 70 vordefinierte Automatisierungsroutinen für komplexe Modellerstellung und Experimente
    • Werkzeuge zum Erleichtern von Routineaufgaben, wodurch sich Analytiker auf die kreativen Aspekte der Modellentwicklung konzentrieren können
    • Funktionen zum Öffnen von Minitab-Arbeitsblättern (.MTW)

    Funktionen von CART®:

    • Hotspot-Erkennung, um die wichtigsten Teile des Baums und die entsprechenden Baumregeln zu erkennen
    • Wichtigkeitsmaße für Variablen, mit denen die wichtigsten Variablen im Baum ermittelt werden können
    • Bereitstellung des Modells und Generierung von Prognosen, bei Bedarf in Echtzeit
    • Benutzerdefinierte Teilungen an beliebigen Stellen des Baums
    • Differential Lift-Modellierung (auch als „Uplift“ oder „Incremental Response“ bezeichnet) zum Beurteilen der Wirksamkeit einer Behandlung
    • Automatisierungswerkzeuge für die Modellanpassung und andere Experimente, z. B.
      • Automatische rekursive Merkmalselimination für die erweiterte Variablenauswahl
      • Experimentieren mit A-priori-Wahrscheinlichkeiten zum Erstellen eines Modells, das bessere Genauigkeitswerte für die wichtigere Klasse erzielt
      • Durchführen einer wiederholten Kreuzvalidierung
      • Erstellen von CART-Modellen für Bootstrap-Stichproben
      • Erstellen von zwei verknüpften Modellen, wobei das erste Modell ein binäres Ereignis und das zweite Modell einen numerischen Wert prognostiziert. So kann z. B. prognostiziert werden, ob ein Kunde ein Produkt kauft und wie viel er dafür ausgibt.
      • Ermitteln der Auswirkungen verschiedener Lern- und Testpartitionen

    Funktionen von MARS®:

    • Grafische Darstellung der Auswirkungen von Variablen auf die Modellantwort
    • Bestimmen der Wichtigkeit einer Variablen oder eines Satzes von Variablen, die untereinander in Wechselwirkung stehen
    • Bereitstellung des Modells und Generierung von Prognosen, bei Bedarf in Echtzeit
    • Automatisierungswerkzeuge für die Modellanpassung und andere Experimente, z. B.
      • Automatische rekursive Merkmalselimination für die erweiterte Variablenauswahl
      • Automatische Beurteilung der Auswirkungen, wenn Wechselwirkungen im Modell zugelassen werden
      • Einfaches Ermitteln der besten Mindest-Spannweite
      • Durchführen einer wiederholten Kreuzvalidierung
      • Ermitteln der Auswirkungen verschiedener Lern- und Testpartitionen

    Funktionen von TreeNet®:

    • Grafische Darstellung der Auswirkungen von Variablen auf die Modellantwort mit partiellen Abhängigkeitsdiagrammen
    • Verlustfunktionen für die Regression: kleinste Quadrate, kleinste absolute Abweichung, Quantil, Huber-M, Überleben nach Cox, Gamma, negativ binomial, Poisson und Tweedie
    • Verlustfunktionen für die Klassifikation: binär oder multinomial
    • Differential Lift-Modellierung (auch als „Uplift“ oder „Incremental Response“ bezeichnet)
    • Stichproben aus Spalten zum Verbessern der Modellleistung und Verkürzen der Laufzeit.
    • Regularized Gradient Boosting (RGBOOST) zum Steigern der Genauigkeit.
    • RuleLearner: Erstellen von interpretierbaren Regressionsmodellen durch Kombination von TreeNet Gradient Boosting und regularisierter Regression (LASSO, elastisches Netz, Ridge usw.)
    • ISLE: Erstellen kleinerer, effizienterer Gradient Boosting-Modelle mit regularisierter Regression (LASSO, elastisches Netz, Ridge usw.)
    • Steuerung der Erkennung von Wechselwirkungen zwischen Variablen
      • Definitive Bestimmung, ob Wechselwirkungen beliebigen Grades berücksichtigt werden müssen
      • Steuerung der zulässigen und nicht zulässigen Wechselwirkungen im Modell mit der patentierten Sprache zur Steuerung von Wechselwirkungen von Minitab
    • Erkennen der wichtigsten Wechselwirkungen im Modell
    • Kalibrierungswerkzeuge für die Modellierung von seltenen Ereignissen
    • Automatisierungswerkzeuge für die Modellanpassung und andere Experimente, z. B.
      • Automatische rekursive Merkmalselimination für die erweiterte Variablenauswahl
      • Automatisches Experimentieren mit verschiedenen Lernraten
      • Steuern des Ausmaßes von Wechselwirkungen im Modell
      • Erstellen von zwei verknüpften Modellen, wobei das erste Modell ein binäres Ereignis und das zweite Modell einen numerischen Wert prognostiziert. So kann z. B. prognostiziert werden, ob ein Kunde ein Produkt kauft und wie viel er dafür ausgibt.
      • Ermitteln der besten Parameter in einem Regularized Gradient Boosting-Modell
      • Durchführen einer stochastischen Suche nach den zentralen Gradient Boosting-Parametern
      • Ermitteln der Auswirkungen verschiedener Lern- und Testpartitionen

    Funktionen von Random Forests®:

    • Einsatz für Klassifikation, Regression oder Clustering
    • Erkennen von Ausreißern
    • Nähe-Heatmap und multidimensionale Skalierung für die grafische Bestimmung von Clustern in Klassifikationsmodellen (binär oder multinomial)
    • Parallelkoordinatendiagramm, um besser zu verstehen, welche Prädiktorwerte zu einer bestimmten Klassenzuweisung führen
    • Erweiterte Imputation von fehlenden Werten
    • Unbeaufsichtigtes Lernen: Mit Random Forest wird eine Nähematrix erstellt, anschließend werden hierarchische Clustering-Verfahren angewendet
    • Wichtigkeitsmaße für Variablen, mit denen die wichtigsten Variablen im Modell ermittelt werden können
    • Bereitstellung des Modells und Generierung von Prognosen, bei Bedarf in Echtzeit
    • Automatisierungswerkzeuge für die Modellanpassung und andere Experimente, z. B.
      • Automatische rekursive Merkmalselimination für die erweiterte Variablenauswahl
      • Einfache Anpassung der Größe von zufälligen Untergruppen, die bei jeder Teilung im Baum erfasst werden
      • Beurteilen der Auswirkungen verschiedener Bootstrap-Stichprobenumfänge
      • Ermitteln der Auswirkungen verschiedener Lern- und Testpartitionen

  • Unser Unternehmen

    Minitab unterstützt Unternehmen dabei, durch intelligente Datenanalysen
    die Effizienz zu steigern und die Qualität zu verbessern.

    Kontakt zu Minitab
  • Salford Predictive Modeler® 8
    Die integrierte Softwaresuite für das maschinelle Lernen von Minitab
    CART®

    Bei dem CART®-Modellierungsmodul des SPM handelt es sich um einen ultimativen Klassifikationsbaum, mit dem das Feld der komplexen Analysen revolutioniert und das heutige Zeitalter der Datenwissenschaft eingeläutet wurde.

    Weitere Informationen
    Random Forests®

    Das Random Forests®-Modellierungsmodul nutzt die Leistungsstärke von verschiedenen alternativen Analysen, Zufallsstrategien und Ensemble Learning.

    Weitere Informationen
    MARS®

    Das MARS®-Modellierungsmodul ist ideal für Benutzer, die Ergebnisse in einer Form bevorzugen, die der herkömmlichen Regression ähnelt, während gleichzeitig wesentliche Abweichungen von der Linearität und Wechselwirkungen erfasst werden.

    Weitere Informationen
    TreeNet®

    TreeNet® Gradient Boosting ist das flexibelste und leistungsstärkste Data Mining-Werkzeug des SPM und liefert durchgängig extrem genaue Modelle.

    Weitere Informationen
  • Preise

    Wenden Sie sich an uns, um Informationen zu Preisen zu erhalten.

    Kontakt
    Programm für Universitäten

    Unser Programm für Universitäten umfasst die Modellierungsmodule SPM®, CART®, MARS®, TreeNet® und Random Forests® und bietet deutlich reduzierte Lizenzierungsgebühren für Bildungseinrichtungen.

    Kontakt
    Automatisierung

    Über 70 vordefinierte Szenarios (im Grunde Experimente), die darauf basieren, wie führende Modellanalytiker ihre Arbeit strukturieren.

    Weitere Informationen

Durch Ihre Nutzung dieser Website stimmen Sie zu, dass Cookies verwendet werden. Cookies dienen zu Analysezwecken und zum Bereitstellen personalisierter Inhalte. Lesen Sie unsere Richtlinien

OK