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)