Ce cours fournit une vue d’ensemble de l’utilisation d’IBM SPSS Modeler pour prédire un champ cible qui décrit des valeurs numériques. Les étudiants seront exposés à des modèles d’induction de règles tels que CHAID et C&R Tree. Ils seront également introduits dans les modèles statistiques traditionnels tels que la régression linéaire. Les étudiants sont initiés aux modèles d’apprentissage automatique, tels que les réseaux neuronaux. Voici des exemples de cas d’utilisation métier :

prédire la durée de l’abonnement pour les journaux, les télécommunications et la durée du travail, ainsi que prévoir les montants des réclamations d’assurance.

Public :

IBM SPSS Modeler Analysts qui ont suivi le cours Introduction à IBM SPSS Modeler et Data Mining qui souhaitent se familiariser avec les techniques de modélisation disponibles dans IBM SPSS Modeler pour prédire une cible continue.

Prérequis :
Expérience de l’utilisation d’IBM SPSS Modeler, y compris la familiarité avec l’environnement Modeler, la création de flux, la lecture de fichiers de données, l’exploration de données, la définition de l’unité d’analyse, la combinaison de jeux de données, la dérivation et la reclassification de champs, ainsi qu’une connaissance de base de la modélisation.
Il est recommandé d’achever l’introduction à IBM SPSS Modeler and Data Science (v18.1).

Prérequis :

Expérience de l’utilisation d’IBM SPSS Modeler, y compris la familiarité avec l’environnement Modeler, la création de flux, la lecture de fichiers de données, l’exploration de données, la définition de l’unité d’analyse, la combinaison de jeux de données, la dérivation et la reclassification de champs, ainsi qu’une connaissance de base de la modélisation.
Il est recommandé d’achever l’introduction à IBM SPSS Modeler and Data Science (v18.1).

Introduction à la prédiction des cibles continues.

Liste de trois objectifs de modélisation
Énumérer deux questions commerciales qui impliquent la prédiction de cibles continues
Expliquer le concept de niveau de mesure sur le terrain et ses implications pour le choix d’une technique de modélisation
Répertorier trois types de modèles pour prédire les cibles continues
Déterminer le modèle de classification à utiliser

Création d’arbres de décision de manière interactive

Expliquer comment CHAID cultive un arbre
Expliquer comment C&R Tree fait pousser un arbre
Créer des modèles CHAID et C&R Tree de manière interactive
Évaluer les modèles pour les cibles continues
Utiliser la pépite du modèle pour marquer des enregistrements

Construire votre arbre directement

Expliquer la différence entre CHAID et CHAID exhaustif
Expliquer l’amplification et l’ensachage
Identifier comment C&R Tree élague les arbres de décision
Répertorier deux différences entre CHAID et L’arborescence C&R

Utilisation de modèles statistiques traditionnels

Expliquer les concepts clés de Linear
Personnaliser les options dans le nœud Linéaire
Expliquer les concepts clés pour Cox
Personnaliser les options dans le nœud Cox

Utilisation de modèles d’apprentissage automatique

Expliquer les concepts clés du réseau neuronal
Personnaliser une option dans le nœud Neural Net