9019

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)