salford predictive modeler - sfi-minitab.com.tw ·...

Salford Predictive Modeler 功能強大的機器學習軟體，用於開發預測性、描述性和分析模型。

公司簡介Minitab 透過提供首屈一指的全面資料分析和流程改進工具，幫助各公司和機構聚焦趨勢、解決問題並發掘具有價值的數據見解。結合無與倫比的易用性，Minitab 讓從資料中獲得深入見解變得前所未有的簡單。此外，經過專業培訓的資料分析專家組成的團隊，確保使用者能夠從分析中獲得最大收益，作出更好、更快、更準確的決策！

近 50 年來 Minitab 已幫助企業實現控制成本、提升品質，促進客戶滿意度並且提高效率。全球數以千計的企業和機構使用 Minitab Statistical Software、Companion by Minitab 和 Quality Trainer 來發現流程中的缺陷並加以改進。在 2017 年 Minitab 併購了 Salford Systems，這家進階分析的領導供應商，能夠提供一套強大的機器學習、預測分析和建模功能。

https://www.sfi-minitab.com.tw/product/spm/SPM.php 1

Salford Predictive Modeler (SPM®) 是一套功能強大的機器學習軟體，適合用來發展預測、描述和分析模型。 SPM 幫助企業組織充分利用其資料，獲得基於實證的見解，並由此推動商業決策。

SPM 以其準確性、易於使用、大量資料處理能力、快速建模、穩健與可靠，並且一致地產出準確的預測模型而著名。將

SPM 的四個主要建模模組 (CART®, TreeNet®, MARS® and Random Forests®) 加入您的統計分析工具箱中，您的組織

將能夠處理更複雜的資料情境，例如：非線性關係、更大的資料量、變數之間複雜的交互作用，資料遺漏和異常極端

值。

這些模組可以讓無論是初學者與建模專家，發掘預測變數之間複雜的交互作用和非線性關係，進而發展卓越的預測模

型。

Salford Predictive Modeler

2

SPM - 核心功能

SPM 的核心功能包括分類、迴歸、存活分析、遺漏值分析、資料切割以及集群/分割，足以含括機器學習與資料科學

的廣泛需求。許多全球知名的大企業也正在使用 SPM 可靠且準確的模型。

評估您的資料集資料錯誤？遺漏值？異常值？非常態分配？統統不是問題。SPM 演算法通常不受上述錯誤影響，因為它們可以排除與現存模型差異過大的訓練資料。SPM 演算法能夠穩健的處理一些傳統統計學的假設。

CART ® Tree 可以透過將異常值區隔到較小的終端節點來處理異常值，以降低其影響力。


創建模型發掘自變數之間複雜的交互作用、以及非線性關係，進而建立更準確的模型。SPM 幫助您從為數眾多的候選因子當中挑選出最重要的因子。

對於機器學習的建模初學者來說，SPM 不需要撰寫程式碼。預設環境即可提供絕佳的基準模型，且無需耗時的設定。

• 遺漏值：在不刪除樣本或變數的情況下自動處理遺漏值資料

• 不平衡資料：自動提高稀有事件的權重，確保適當偵測到稀有事件

• 自動建模 (Automate Model) : 快速顯示最佳的 SPM 建模引擎

自動建模 (Automate Model) 評估理想的 SPM 方法以快速找到最適合資料的理想建模引擎。

對於建模專家來說，省時的自動化功能可以有效縮短達成準確模型所需的時間，並提升模

型的可調整性。SPM 的套裝情境透過自動挑選可調節變數來最小化搜尋最佳模型所需的

時間。

• 自動模型簡化 (Automate Shaving)：在犧牲最少模型準確性下減少變數

• 自動目標鎖定 (Automate Target)：考慮多元變數的非線性關係，不僅止於簡單的線性相關

• 超過七十種的內建套裝情境

4

評估您的預測模型• 高度準確和可靠的預測供予進行決策

• SPM 的模型相當易於解讀，無論是對於公司內部主管又或者是外部的監管者

ROC 曲線讓您透過視覺化的呈現來比較您的模型與隨機性 (圖中對角直線) 的表現差異。

這張生命曲線圖說明模型不必查看來自生產線的所有元件即可發現缺陷。

滑鼠點擊非撰寫程式碼 - 縮短創建最佳預測模型所需的時間

• 友善的分析引擎，適合各種程度的分析人員

• 內建自動化功能，實現模型擴增能力且減少錯誤

• 視覺化清晰呈現最重要的見解

• 高度準確和可靠的預測，提供進行決策


很幸運地，SPM 讓我們非常容易專注於關鍵的預測因素並能夠發展出有效處理策略。我相信 Minitab 與 SPM 能夠非常有效的相互結合。

黑帶大師 - 全球知名製造企業的全球營運主管

6

Minitab 機器學習技術

*Minitab Statistical Software 另外銷售。

感到卡關或想要學習更多嗎？

專業使用者支援：即時的專業協助是我們對於客戶的重要承諾。前往www.sfi-minitab.com.tw/support 瀏覽由專業資料科學家與統計學家為您製作的線上資源。

線上資源：我們的線上資源包括一般介紹影片、軟體簡介，以及使用提示和技巧。

教育訓練課程：請洽台灣官網: www.sfi-minitab.com.tw


Minitab Statistical Software*

Regression CART®

MARS®

Random Forests®

TreeNet®

Binary Logistic Regression

Ordinal Logistic Regression

Nominal Logistic Regression

Factor Analysis

Principal Component

Analysis

Supervised

Linear or polynomial relationships Few extreme outliers or missing values

Single decision tree

EquationPredictive accuracy*

Many Variables (Wide)

Yes

Categorical

Two

Continuous

No

* ANY modeling technique could result in the best predictive accuracy for a specifi c data set, but most

often TreeNet will be the most accurate.

Many Observations

Reduce Variables

More than two

Complex relationships Larger data

Learning Type

DataComplexity

Goal

Data Structure

Number of Outcomes

OrderedOutcomes

Type

Target TypeResults


ClusterVariables

K MeansClustering

Hierarchial (nested) groupings

Non-hierarchial groupings

Unsupervised

Goal

Type

CreateGroupings


CART® 建模引擎分類和迴歸樹 (Classifi cation and Regression Trees)

CART® 在進階資料分析與現代資料科學領域中具有革命性的地位。CART® 是現代機器學習領域中最重要的工具之一。許多其他分析工具試圖模仿CART®，但都沒能夠在準確性、效能、特色功能、自動建模、易於使用等各方面勝過CART®。

TreeNet® 建模引擎

Gradient Boosting

TreeNet® 建模引擎是 SPM 中最有彈性、功能最強大的機器學習工具。自 2002 年問世後，陸續獲得十幾項重大資料探勘競賽的大獎。TreeNet® 進一步提升了準確性優勢，是單一模型或是其他傳統集成學習 (Ensemble Learning，如：Bagging 或 Conventional Boosting 所不易達成的。

Random Forests® 建模引擎Breiman 和 Cutler 的 Random Forests

Random Forests® (隨機森林法) 是一種以分類樹為基礎的資料科學方法。不僅如此，它還包含了辨認資料集群或分段的新技術，以及排名變數重要性的新方法。Random Forests® 是由眾多獨立的 CART® 分類樹所構成的集合體。綜合個別決策樹的預測總和後得到「森林」的總體預測結果。Random Forests® 特別擅長分析處理存在於中小型資料集 (少於一萬筆資料列但可能高達上百萬個變數的複雜資料結構。

MARS® 建模引擎自動非線性迴歸 (Automatic Non-linear Regression)

MARS® 對於偏好與傳統迴歸相似結果同時又希望能挖掘基本的非線性關係與交互作用的使用者來說，MARS® 是最理想的選擇。MARS® 處理迴歸建模的方法能有效地發掘其他迴歸方法難以實現或無法掌握的重要資料模式和關係。

8

制定改善決策

SPM 透過改善決策幫助各行各業最佳化收益以及最小化成本與風險，包含：

產業

製造業

製造瑕疵信用風險病患安全與再住院率精算

預測性維護詐欺預防醫療設備診斷採礦

再造工程(提高績效)

顧客分群藥物研究與發展石油與天然氣營運及研發

金融服務業醫療保健及生技業其他產業

SPM 可被應用在資料無法透過傳統迴歸與分類方法進行準確建模的產業與領域中。


最大化供應鏈效率目標行銷

營運最佳化顧客保留/流失

改善工作流程顧客滿意度

持續性改善市場行銷

應用領域

10

SPM 實務應用

尋找造成過度變異的根本原因

辨識哪些因子造成了此化學製程過高的變異。

CART® 建模引擎是 SPM 中使用類別資料來預測一個定性值的決策樹演算法，使用它可以將歷史資料以一連串 "是/否"

的規則來切分。此一分割將反應變數 (Y) 依據預測變數 (X) 的設定切割成多個分組。以下的範例中，在投入 CART® 的

許多變數中，其中有一個「生產率 (Production Rate)」的預測變數對於樣本點落在生產管制界限外有較大的影響力。

持續讓 CART® 的決策樹成長或 "修剪 (pruning)" 可以迅速找到造成該製程中過多變異的其他原因。一旦找出少數幾個具關鍵影響力的 X，就可以推出對應的管理措施，以降低落在製程規格外的機會。

如果生產率 (Production Rate) <= 91.76，則估計製程落在管控外的機率相對較高 (33%)。如果生產率 (Production Rate) > 91.76，則該製程在統計意義上為管控中。

提升效率

大幅提高現有分析團隊的工作效率。


確定哪些因子與製造缺陷有關

SPM 的 Treenet® 建模引擎將會根據所提供的變數 (或訊號) 產生一個缺陷的機率。使用 Treenet® 的自動簡化 (Automate Shaving) 功能，我們可以快速將與製造流程有關的 590 個變數縮減到 299 個關鍵因素，且能夠在數分鐘內顯示其與生產缺陷的相關性。

Treenet® 建模引擎可以快速將最有影響力的變數找出，並以視覺化方式呈現瑕疵可能性與關鍵變數之間的關係，進而協助擬定預防改善行動計畫。

自動化

加速分析效率並自動化處理分析週期某些部分。

決策

提出重要見解以支援數據導向決策，獲取競爭優勢並提高效率。

12

• 金融資料的交叉銷售分析

DMA 直銷協會分析挑戰(Direct Marketing Association, DMA)

• 預測顧客終生價值以規劃客製化的顧客互動

• 健康照護服務回饋分析

• 喜願基金會(Make-A-Wish Foundation) 針對流逝捐款人目標解決方案

• 目標行銷

KDD Cup 年度資料探勘與知識探索競賽(The annual Data Mining and Knowledge Discovery competition)

• 網頁分析

SIG KDD Innovation Award - SPM 演算法創立者 Leo Breiman 博士與 Jerome Friedman 博士獲頒

• 對資料和資料探勘領域作出了卓越技術貢獻，進一步推動商業系統理論研究與發展

杜克大學 (Duke University) 顧客關係管理 (CRM) Teradata Center

• 流失分析，CRM

SPM 授權方案SPM 提供單人或多人使用者共享授權的年度授權選項。所有當前的授權使用者在產品版本發佈的整個產品週期內，皆享有技術支援。

單人多人

SPM 免費試用立即下載https://www.sfi-minitab.com.tw/product/spm/SPM.php

一台電腦上的年度訂閱，適用於小型公司或一位超級使用

者可以無限制使用該軟體。

我們彈性的多人版授權選項可以安裝在無限數量的電腦，

根據所購買的“席位”數量得以同時使用。使用者共享這

些“席位”- 數量則是可以同時使用該軟體的用戶總數。

SPM 獲獎榮譽與成就PAKDD 亞太知識探索與資料探勘年度競賽(The Pacific-Asia Conference on Knowledge Discovery and Data Mining, PAKDD)

功能強大的機器學習軟體，用於開發預測性、描述性和分析模型。

https://www.sfi-minitab.com.tw/product/spm/SPM.php

salford predictive modeler - sfi-minitab.com.tw ·...

Documents