Formation Modèles prédictifs avec IBM SPSS Modeler

IntroductionPréparation des données pour la modélisation
Détection des anomalies
Partition des données en échantillons d'apprentissage et test
Sélection des variables explicatives
Équilibrer les données par rapport à la variable cibleRéduction des données (ACP)Analyse en composantes principales (ACP)Arbre de décisionAlgorithmes : C5 , CHAID, CART, QUEST
Session interactive
Modèles pour cible qualitativeModèles pour cible quantitativeInterprétation et évalutaion des résultatsListe de décisionLe modèle
Session interactive et modèle
Interprétation des résultatsRéseau de NeuronesLes modèles multilayer Perceptron (MLP) : Options Expert, Evaluation et Validation du modèle
Les modèles Fonction Radiale de Base (RBFN ) : Options Expert, Evaluation et Validation du modèle, Option Boosting, Option BaggingSupport Vector Le modèle
Interprétation des résultatsRéseaux BayésienLe modèle
Interprétation des résultatsLe modèle de la régression linéaireLes hypothèses
Critères d'ajustement du modèle de la régression
Analyse des résidus
Interprétation des résultatsLe modèle de la régression logistique Regression logistique binaire
Le modèle
Evaluation du modèleRegression logistique multinomialeLe modèle
Evaluation du modèleLe modèle de l'analyse discriminanteLes hypothèses
Critères d'ajustement du modèle
Interprétation des résultats
Comparaison avec les résultats de la régression logistique Analyse de survieLes données de survie
Le modèle de Cox et ses hypothèses
Evaluation du modèle
Déploiement des résultatsSéries TemporellesIntroduction
Représentation graphique
Décomposition d'une série chronologique : Tendance, saisonnalité et périodicité
Modèle ARIMA
Prévision automatique Combiner les modèlesLe nœud Ensemble
La Meta-ModélisationModélisation AutomatiqueLe nœud Classificateur Automatique
Le nœud Numérisation Automatique