Predicitive Analytics в InterSystems Caché
•
0 recomendaciones•310 vistas
Обзор возможностей прогнозной аналитики в InterSystems Caché, Эдуард Лебедюк / Overview of predicitive analytics in InterSystems Caché, Eduard Lebedyuk
Recomendados
Más contenido relacionado
Destacado
Destacado (12)
Similar a Predicitive Analytics в InterSystems Caché
Similar a Predicitive Analytics в InterSystems Caché (20)
Predicitive Analytics в InterSystems Caché
- 2. Модели, описывающие зависимости между данными с историческими и текущими значениями для прогноза значений данных будущих периодов Особенности: – Соединяет инструменты статистики, машинного обучения, data mining – Основано на вероятностных моделях – Дополняет BI Прогнозная аналитика
- 4. Построение прогнозных моделей •Анализ –Специальные навыки –Специальные инструменты •Данные –Исследовательская работа –Большие объёмы данных –«Очистка» данных
- 5. •В ретроспективе: –На основе ранее накопленных данных •В прогнозировании: –На поступающих данных Применение прогнозных моделей
- 6. •Predictive Modeling Markup Language 4.1 –XML расширение описания прогнозных моделей –Полная поддержка некорректных и отсутствующих значений –Разделение производителей моделей и пользователей –Поддерживается основными производителями программного обеспечения для статистического анализа, PMML more info: www.dmg.org
- 7. сбор данных подготовка для анализа анализ использование полученных данных Что нужно сделать для построения модели построение модели применение модели
- 8. •Исследовательский стиль моделирования –«Есть ли в наших данных зависимости, достаточные для построения прогноза?" –Не забывайте о сохранении структуры данных. –Экспортируйте построенные модели в PMML. •Анализ текстов –Используйте iKnow Построение прогнозных моделей
- 9. • Встроенная поддержка PMML – Скопируйте PMML в класс, наследующийся от %DeepSee.PMML.Definition – Необходимый код создаётся автоматически при компиляции – Или создайте из веб-интерфейса • Возможности использования – Бизнес-правила Ensemble – Интеграция в DeepSee (Plug-in или Listing) – CSP страница для тестирования Применение прогнозной модели
- 10. •Наивный байесовский классификатор •Нейронные сети •Регрессионные модели •Общие регрессионные модели •Деревья решений •Метод опорных векторов •Кластерный анализ •Модели основанные на правилах Поддерживаемые типы моделей
- 11. •Статистический метод исследования влияния одной или нескольких независимых переменных X1, X2,…, Xn на зависимую переменную Y. •Независимые переменные иначе называют регрессорами или предикторами, а зависимые переменные — критериальными. •Терминология зависимых и независимых переменных отражает лишь математическую зависимость переменных, а не причинно- следственные отношения. Регрессионные модели
- 12. Методология развивающая регрессионные модели для случая не нормального распределения критериальной переменной. Общие регрессионные модели
- 13. Состоят из элементов типа «листья» и «ветки». На ребрах («ветках») дерева решения записаны атрибуты, от которых зависит целевая функция, в «листьях» записаны значения целевой функции, а в остальных узлах — атрибуты, по которым различаются случаи. Чтобы классифицировать новый случай, надо спуститься по дереву до листа и выдать соответствующее значение. Деревья
- 14. • Простой вероятностный классификатор, основанный на применении Теоремы Байеса со строгими (наивными) предположениями о независимости. • Достоинством наивного байесовского классификатора является малое количество данных для обучения, необходимых для оценки параметров, требуемых для классификации. Наивный байесовский классификатор
- 15. • Набор схожих алгоритмов вида «обучение с учителем», использующихся для задач классификации и регрессионного анализа • Принадлежит к семейству линейных классификаторов (построение линейной разделяющей поверхности) • Основная идея— перевод исходных векторов в пространство более высокой размерности и поиск разделяющей гиперплоскости с максимальным зазором в этом пространстве. Метод опорных векторов
- 16. • Многомерная статистическая процедура, выполняющая сбор данных, содержащих информацию о выборке объектов, и затем упорядочивающая объекты в сравнительно однородные группы. • Задача кластеризации относится к статистической обработке, а также к классу задач обучения без учителя. Кластерный анализ
- 17. Представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Каждый нейрон сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. Будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи. Нейронные сети
- 18. Rattle Knime RapidMiner PMML Workflow, meta workflow Выполнение в RAM Подключение к БД Наивный байесовский классификатор Регрессионные модели Общие регрессионные модели Деревья Метод опорных векторов Нейронные сети Программное обеспечение для PMML
- 19. Конец