Neu in Salford Predictive Modeler 8.2/8.3 Hauptverbesserungen Modellkomprimierung und Regelextraktion: Einheitliches Reporting von verschiedenen Messgrößen zur Performance Lineare Methoden für Regression, aktuelle Fortschritte und Erkenntnisse: OLS-Regression Regularisierte Regression, einschließlich: LAR/LASSO-Regression, Ridge Regression, Elastic Net Regression Lineare Methoden für Klassifikation, aktuelle Fortschritte und Erkenntisse: LOGIT • LAR/LASSO • Ridge • Elastic Net/ Generalized Path Seeker Entdecken von Ausreißern: Berichte, Tabellen und Grafiken der GUI Zeitreihenmodellierung Datenvorbereitung: Battery Bin für die automatische Einteilung einer vom Anwender ausgewählten Reihe von Variablen mit zahlreichen Optionen Methoden zur Modellvereinfachung: ISLE • RuleLearner Ensemble Learning: Battery Bootstrap • Battery Model Unüberwachtes Lernen: Breiman's Column Scrambler Paralleles Rechnen: Automatische Unterstützung von mehreren Cores durch Multithreading Verarbeitung von großen Datensätzen: 64-Bit-Unterstützung • Speicherkapazität nur durch die eigene Hardware begrenzt Anbindung an Minitab: Bereit für die Zusammenarbeit mit Minitab Weitere Verbesserungen: Auf Grundlage von Anwenderfeedback und neuen Erkenntnissen über unsere Hauptprodukte werden unsere Kernwerkzeuge kontinuierlich durch Ergänzungen und Änderungen erweitert. Weitere Verbesserungen CART-Klassifikation und Regressionsbäume Benutzerdefinierte lineare Kombinationslisten zum Splitten; Nebenbedingungen für Bäume; Automatische Ergänzung von Indikatoren für fehlende Werte; Erweitertes GUI-Reporting; Anwender gesteuerte Kreuzvalidierung; Statistiken und Prognose der Out-of-Bag-Performance; Profiling von Endknoten basierend auf von Anwendern bereitgestellten Variablen; Knotenübergreifender Vergleich der Konsistenz von Trainings- vs. Testdaten; Wichtigkeit der Variablen im Stil von Random Forests MARS (Automatisierte nicht lineare Regression) Aktualisierte GUI; Modellperformance basierend auf unabhängigem Testsample oder Kreuzvalidierung; Unterstützung für Zeitreihenmodelle TreeNet (Gradient Boosting, Boosted Trees) TreeNet mit einem Baum (Alternative zu CART); Random Forests via TreeNet (Regressionsalternative zu Random Forests); Interaction Control Language (ICL); Reporting der Wechselwirkungsstärke; erweiterte partielle Abhängigkeitsdiagramme; randomisierte Splits im Stil von Random Forests RandomForests (Bagging Trees) Regression mit Random Forests; Speicherung von Out-of-Bag-Werten; Verbesserte Geschwindigkeit Hochdimensionale multivariate Mustererkennung Battery Target ist jetzt verfügbar zum Identifizieren von gegenseitigen Abhängigkeiten in den Daten Automatisierung durch sogenannte Batteries 56 vordefinierte Szenarien basierend auf jahrelanger Highend-Beratung Erkennung von Hotspots Segmentextraktion (Battery Priors) Erkennen der Wechselwirkungen (Interaction Detection) Umgang mit fehlenden Werten und Imputation Modellbewertung und -auswahl Einheitliches Reporting von verschiedenen Messgrößen der Performance über unterschiedliche Modelle Modellübersetzung SAS, C, Java, PMML, Classic, + Java Datenzugriff (alle gängigen statistischen Formate werden unterstützt) Aktualisierte statistische Übertragung, einschließlich R Workspaces Modellbewertung Score-Ensemble (kombiniert mehrere Modelle in einer leistungsstarken prädiktiven Maschine)
