d9e5a92d

Управление временными метриками при помощи описательных данных


Утилита SAS Code Node

•              Обеспечивает запись кода SAS для упрощения сложных процедур подготовки и преобразования данных.
•              Позволяет использовать процедуры других продуктов SAS.

•              Поддерживает импорт внешних моделей.

•              Позволяет создавать собственные модели и узлы Enterprise Miner.

•              Содержит макропеременные, упрощающие ссылку на источники данных, переменные и т.п.

•              Имеет расширяемую логику формирования оценочного кода.

Исчерпывающие средства моделирования

•              Выбор моделей на базе обучающей, проверочной или тестовой выборки данных с использованием различных критериев, таких как: прибыли или убытки, AIC, SBC, среднеквадратичная ошибка, частота ошибок классификации, ROC, Джини, KS (Колмогорова-Смирнова).
•              Поддерживает двоичные, номинальные, порядковые и интервальные исходные данные и целевые признаки.

•              Удобный доступ к оценочному коду и всем источникам данных.

•              Отображение нескольких результатов в одном окне позволяет лучше оценить эффективность модели.

Регрессии

•              Линейная и логистическая.

•              Пошаговая, с прямой и обратной выборкой.



•              Построитель условий для уравнений: полиномиальных, основных взаимодействий, поддержка иерархии эффектов.
•              Перекрестная проверка.

•              Правила для иерархии эффектов.

•              Методы оптимизации: сопряженные градиенты, метод двойных ломаных, метод Ньютона-Рафсона с линейным или гребневым поиском, квазиньютоновский метод, метод доверительных областей.

•              Оценочный код PMML.

Деревья решений

Общая методология:

•              CHAID (автоматическое выявление взаимодействия по методу хи-квадрат).

•              Деревья классификации и регрессии.

•              C 4.5.

•              Отбор деревьев на основе целевых значений прибыльности или роста с соответствующим отсечением ветвей.


Критерии расщепления: вероятностный критерий хи-квадрат, вероятностный F-критерий, критерий Джини, критерий энтропии, уменьшение дисперсии.  Автоматический вывод идентификаторов листьев дерева в качестве входных  значений для последующего моделирования.  Отображение правил на английском языке.  Вычисление значимости переменных для предварительного отбора.  Уникальное представление консолидированной диаграммы дерева.

Интерактивная работа с деревом на настольном ПК:

•              Интерактивное расширение и обрезание деревьев.

•              Задание специальных точек разбиения, включая двоичные или многовариантные разбиения. •              Свыше 13 динамически связанных таблиц и графиков, позволяющих произвести более качественную оценку дерева.

•              Возможность распечатать диаграмму дерева на одном или нескольких листах.

В основе - новая быстрая процедура ARBORETUM.

Нейронные сети

Узел нейронной сети:

•              Гибкие архитектуры сетей с развитыми функциями комбинирования и активации.

•              10 методов обучения сети.

•              Предварительная оптимизация.

•              Автоматическая стандартизация входных параметров.

•              Поддержка направленных связей.

Узел самоорганизующейся нейронной сети:

•              Автоматизированное создание многоуровневых персептронов для поиска оптимальной конфигурации.

•              Выбор функций типа и активации из четырех различных типов архитектур.

•              Оценочный код PMML.

Узел нейронной сети анализа данных (DM Neural node):

•              Создание модели с уменьшением размерности и выбором функций.

•              Быстрое обучение сети.

•              Линейное и нелинейное оценивание.

Двухуровневое моделирование

•              Последовательное и параллельное моделирование для классовых и интервальных целевых признаков. •              Выбор модели в виде дерева решений, регрессии или нейронной сети на каждом уровне.

•              Управление применением прогноза для классов к прогнозу интервалов.

•              Точная оценка экономической выгодности клиентов.

Методы вывода путем сопоставления

•              Метод отбора ближайших k-соседей для категоризации или прогноза наблюдений.

•              Запатентованные методы создания дерева и поиска с уменьшенной размерностью.

Множества моделей

• Объединение прогнозов моделей для создания потенциально более сильного решения.

• Среди методов: усреднение, мажоритарная выборка, выбор максимального значения.

Сравнение моделей

•              Сравнение нескольких моделей в рамках единой инструментальной оболочки для всех источников данных.

•              Автоматический выбор лучшей модели на основе заданного пользователем критерия.

•              Расширенная статистика соответствия и диагностики.

•              Ступенчатые диаграммы.

•              Кривые ROC.

•              Диаграммы прибылей и убытков с возможностью выбора решения.

•              Матрица неточностей (классификации).

•              График распределения вероятностных оценок классовых целевых признаков.

•              Ранжирование и распределение оценок интервальных целевых признаков.

Количественная оценка

•              Интерактивная количественная оценка узла в рамках графического интерфейса.

•              Автоматическая генерация оценочного кода на языках SAS, C, Java и PMML.

•              Моделирование сбора, кластеризации, преобразования и вычисления недостающих значений для оценочных кодов на языках SAS, C и Java.

•              Развертывание моделей в нескольких средах.

Инструментальные средства

•              Узел удаления переменных.

•              Узел слияния данных.

•              Узел метаданных, позволяющий изменять столбцы метаданных, например роль, уровень измерений и порядок.




Содержание раздела