Lista de características
SALFORD PREDICTIVE MODELER
Características generales de Salford Predictive Modeler® 8 :
- Motor de modelado: Árboles de decisión CART®
- Motor de modelado: Potenciación de gradientes TreeNet®
- Motor de modelado: Ensamble de árboles Random Forests®
- Motor de modelado: Splines de regresión no lineal MARS®
- Motor de modelado: Regresión regularizada - GPS (LASSO, Red elástica, Ridge, etc.)
- Motor de modelado: RuleLearner®, incorporando la exactitud de TreeNet y la facilidad de interpretación de la regresión
- Motor de modelado: Compresión de modelo ISLE
- Más de 70 rutinas de automatización pre-empacadas para una mejor construcción de modelos y experimentación
- Herramientas para mitigar el trabajo tedioso, permitiendo que el analista se centre en los aspectos creativos del desarrollo de modelos.
- Funcionalidad abierta de las hojas de trabajo de Minitab (.MTW)
Características de CART® :
- Detección de puntos de acceso para descubrir las partes más importantes del árbol y las reglas correspondientes del árbol
- Medidas de importancia de las variables para comprender las variables más importantes del árbol
- Implemente el modelo y genere predicciones en tiempo real o no
- Divisiones definidas por el usuario en cualquier punto del árbol
- Modelado de aumento diferencial (también denominado “uplift” o “respuesta incremental”) para evaluar la eficacia de un tratamiento
- Herramientas de automatización para la optimización de modelos y otros experimentos, incluyendo
- Eliminación automática de características recursivas para una selección avanzada de variables
- Experimente con probabilidades previas para obtener un modelo que logre mejores tasas de exactitud para la clase más importante
- Realice validación cruzada repetida
- Cree modelos CART con muestras de bootstrap
- Cree dos modelos vinculados, donde el primero prediga un evento binario y el segundo prediga un valor numérico. Por ejemplo, predecir si alguien comprará y cuánto gastará.
- Descubra el impacto de las diferentes particiones de aprendizaje y prueba
Características de MARS® :
- Entienda de forma gráfica la manera en que las variables afectan la respuesta del modelo
- Determine la importancia de una variable o de un conjunto de variables que interactúan
- Implemente el modelo y genere predicciones en tiempo real o no
- Herramientas de automatización para la optimización de modelos y otros experimentos, incluyendo
- Eliminación automática de características recursivas para una selección avanzada de variables
- Evalúe automáticamente el impacto de permitir interacciones en el modelo
- Encuentre fácilmente el mejor valor mínimo de expansión
- Realice validación cruzada repetida
- Descubra el impacto de las diferentes particiones de aprendizaje y prueba
Características de TreeNet® :
- Entienda de forma gráfica la manera en que las variables afectan la respuesta del modelo con gráficas de dependencia parcial
- Funciones de pérdida en regresión: mínimos cuadrados, desviación absoluta mínima, cuantil, estimador M de Huber, supervivencia de Cox, gamma, binomial negativa, Poisson, y Tweedie
- Funciones de pérdida en clasificación: binaria o multinomial
- Modelado de aumento diferencial (también denominado “uplift” o “respuesta incremental”)
- Submuestreo de columnas para mejorar el desempeño del modelo y acelerar el tiempo de ejecución.
- Potenciación de gradientes regularizada (RGBOOST) para aumentar la exactitud.
- RuleLearner: construya modelos de regresión interpretables al combinar la potenciación de gradientes TreeNet y la regresión regularizada (LASSO, Red elástica, Ridge etc.)
- ISLE: Construya modelos de potenciación de gradientes más pequeños y más eficientes usando la regresión regularizada (LASSO, Red elástica, Ridge, etc.)
- Control de descubrimiento de interacción entre las variables
- Determine definitivamente si es necesario o no incluir interacciones de cualquier grado
- Controle las interacciones permitidas o no permitidas en el modelo con el lenguaje de control de interacciones patentado de Minitab
- Descubra las interacciones más importantes incluidas en el modelo
- Herramientas de calibración para el modelado de eventos poco comunes
- Herramientas de automatización para la optimización de modelos y otros experimentos, incluyendo
- Eliminación automática de características recursivas para una selección avanzada de variables
- Experimente con diferentes tasas de aprendizaje de manera automática
- Controle el grado de las interacciones que se producen en el modelo
- Cree dos modelos vinculados, donde la predicción del primero sea un evento binario y el segundo prediga un valor numérico. Por ejemplo, predecir si alguien comprará y cuánto gastará.
- Encuentre los mejores parámetros en su modelo de potenciación de gradientes regularizada
- Realice una búsqueda estocástica de los parámetros básicos de potenciación de gradientes
- Descubra el impacto de las diferentes particiones de aprendizaje y prueba
Características de Random Forests® :
- Utilícese para clasificación, regresión o conglomerados
- Detección de valores atípicos
- Mapa de calor de proximidad y escalas multidimensionales para determinar gráficamente los conglomerados en los problemas de clasificación (binaria o multinomial)
- Gráfica de coordenadas paralelas para una mejor comprensión de los niveles de los valores predictores que conducen a una asignación de clase particular
- Imputación avanzada de valores faltantes
- Aprendizaje no supervisado: Random Forest crea la matriz de proximidad y luego se aplican técnicas de creación de conglomerados jerárquicos
- Medidas de importancia de las variables para comprender las variables más importantes del modelo
- Implemente el modelo y genere predicciones en tiempo real o no
- Herramientas de automatización para la optimización de modelos y otros experimentos, incluyendo
- Eliminación automática de características recursivas para una selección avanzada de variables
- Ajuste fácilmente el tamaño del subconjunto aleatorio tomado en cada división de cada árbol
- Evalúe el impacto de los diferentes tamaños de las muestras de bootstrap
- Descubra el impacto de las diferentes particiones de aprendizaje y prueba
LO QUE HACEMOS
Los productos de Minitab ayudan a las empresas a aumentar la eficiencia y
mejorar la calidad mediante el uso del análisis inteligente de datos.
Salford Predictive Modeler® 8
La suite integrada de software de aprendizaje de máquina de Minitab
CART®
El motor de modelado CART® es el árbol de clasificación más sofisticado que ha revolucionado el campo del análisis avanzado y dio inicio a la era actual de la ciencia de los datos.
Random Forests®
Random Forests® es un motor de modelado que aprovecha el poder de múltiples análisis alternativos, estrategias de aleatorización y aprendizaje por ensambles.
MARS®
El motor de modelado MARS® es ideal para los usuarios que prefieren los resultados en una forma similar a la regresión tradicional, pero sin dejar de detectar las no linealidades y las interacciones esenciales.
TreeNet®
La potenciación de gradientes TreeNet® es la herramienta de minería de datos más flexible y poderosa de SPM, capaz de generar de manera consistente modelos extremadamente exactos.
Precios
Comuníquese con nosotros para obtener información sobre precios.
University Program
Nuestro University Program ofrece los motores de modelado SPM®, CART®, MARS®, TreeNet® y Random Forests® a la comunidad educativa a precios de licenciamiento significativamente reducidos.
Automatización
Más de 70 escenarios pre-empacados, que son básicamente experimentos inspirados en la manera en que los mejores analistas de modelos estructuran su trabajo.