9037

Analyseweg und die Kernfähigkeiten von SPM

Die Kernfähigkeiten von SPM schließen Klassifizierung, Regression, Lebensdaueranalyse, Analyse fehlender Werte, Dateneinteilung (Binning) und Clustering/Segmentierung ein, um ein breites Spektrum der Anforderungen von Machine Learning und Data Analytics abdecken zu können. Einige der größten Unternehmen der Welt verwenden die zuverlässigen und genauen Modelle von SPM.

Klicks statt Code - Minimaler Zeitaufwand für das beste prädiktive Modell

  • Benutzerfreundliche Modellierungsengines für Analysten jedes Wissensstands
  • Integrierte Automatisierung für Modellskalierbarkeit und Fehlerreduktion
  • Aussagekräftige visuelle Darstellung der wichtigsten Erkenntnisse
  • Hochgenaue und zuverlässige Prognosen für eine sichere Entscheidungsfindung

1) Datensätze auswerten

Datenfehler? Fehlende Werte? Ausreißer? Keine Normalverteilung? Kein Problem. SPM-Algorithmen lassen sich im Allgemeinen von solchen Fehlern nicht beeinflussen, da sie Trainingsdatenpunkte, die zu sehr vom existierenden Modell abweichen, verwerfen. SPM-Algorithmen sind gegenüber einigen Annahmen der klassischen Statistik robust.

CART®-Bäume können Ausreißer in kleinen Endknoten isolieren, wodurch ihre Wirkung begrenzt wird. .
CART®-Bäume können Ausreißer in kleinen Endknoten isolieren, wodurch ihre Wirkung begrenzt wird.

2) Modelle erstellen

Durch das Aufdecken komplexer Wechselwirkungen zwischen Prädiktoren und komplexer nichtlinearer Beziehungen können genauere Modelle erzeugt werden. SPM unterstützt bei der Auswahl der wichtigsten Faktoren aus einer großen Anzahl von Möglichkeiten.

SPM erfordert keine Programmierung, was insbesondere Einsteigern in die Modellierung entgegenkommt. Die Standardeinstellungen bieten ein kaum zu übertreffendes Basislinienmodell ohne zeitaufwändiges Setup.

  • Fehlende Werte: Automatischer Umgang mit fehlenden Werten, ohne dass Zeilen oder Spalten gelöscht werden
  • Unbalancierte Daten: Automatische höhere Gewichtung von seltenen Klassen, wodurch das korrekte Erkennen von seltenen Ereignissen sichergestellt wird
  • Automatisiertes Modellieren: Schnelle Entscheidung für die beste Modellierungsengine von SPM

Durch das automatisierte Modellieren wird die geeignete SPM-Methodik ausgewertet, um die ideale Modellierungsengine für die jeweiligen Daten schnell zu identifizieren.
Durch das automatisierte Modellieren wird die geeignete SPM-Methodik ausgewertet, um die ideale Modellierungsengine für die jeweiligen Daten schnell zu identifizieren.

Erfahrene Modellierer können mit Hilfe der Automatisierungsfunktionen den Zeitaufwand reduzieren, den es braucht, um ein genaues Modell zu erstellen, und erreichen eine bessere Modellskalierbarkeit. SPMs vorinstallierte Szenarien minimieren die notwendige Zeit zum Suchen des besten Modells durch eine automatische Auswahl der Einstellungsparameter.

  • "Automate Shaving": Variablen werden mit nur minimaler Verringerung der Modellgenauigkeit reduziert.
  • "Automate Target": Nichtlineare multivariate Beziehungen, die über einfache Korrelation hinausgehen, werden berücksichtigt.
  • Mehr als 70 vorinstallierte Szenarien

3) Leistungsstarkes prädiktives Modell auswerten

  • Hochgenaue und zuverlässige Prognosen für eine sichere Entscheidungsfindung
  • SPMs Modelle halten intern gegenüber Stakeholdern und extern gegenüber Behörden stand und sind einfach zu vermitteln.
Mit der ROC-Kurve kann grafisch dargestellt werden, wie gut das Modell gegen die Zufallswahrscheinlichkeit abschneidet anhand der diagonalen Linie.
Mit der ROC-Kurve kann grafisch dargestellt werden, wie gut das Modell gegen die Zufallswahrscheinlichkeit abschneidet.
Diese Lebenskurve zeigt, dass das Modell Fehler fand, ohne dass es sämtliche Einheiten, die die Fertigungslinie produziert, mit einbeziehen musste.
Diese Lebensdaueranalyse zeigt, dass das Modell Abweichungen fand, ohne sämtliche Variablen der Fertigung einbeziehen zu müssen.