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)