Puanlama Sihirbazını göstermek için, modelimizi gösterildiği gibi bir XML dosyası olarak kaydedeceğiz. Sadece bir puanlama yöntemi gösterecek olsak da aslında çok sayıda seçenek var. Örneğin, TREES prosedürü (karar ağaçları oluşturmak için SPSS Sözdizimi komutu), diğer puanlama bağlamlarında faydalı olabilecek kuralları kaydetmek için bir dizi başka format sunar.

TREE prosedürünün RULES alt komutu, SQL ifadeleri oluşturmanıza izin verir. SPSS Sözdiziminde yeniyseniz, SPSS Sözdizimine girişten başlayarak bu kitabın IV. Kısmındaki bölümleri okumak isteyeceksiniz. SPSS Sözdiziminde bulunan ancak menülerde bulunmayan SQL kuralları seçeneği gibi özellikleri bulmak nadir değildir.

Rakamlarla tutarlı olmak için, en iyi seçeneğimiz olduğuna karar verdiğimiz ikinci CRT modelinin ayarlarını kullandığınızdan emin olun. Şimdi farklı bir veri dosyası yükleyin. Titanic_Test.sav dosyasını kullanacağız. Bu dosya, Survived değişkeninden yoksun olması dışında aynı değişkenleri içerir.

Burada inançsızlığın gönüllü olarak askıya alınması gerekiyor. Titanik’in yüz yıl önce battığını hepimiz biliyoruz, bu yüzden doğal olarak tüm yolcuların sonucunu biliyoruz, ancak Test verilerinin sonucunu bilmiyormuş gibi davranacağız. Train veri setimizin modelini kullanacağız, ancak bunu Test veri setini puanlamak için kullanacağız. Bu, SPSS Modeler’da benzersiz bölümleme düğümü vb. ile gördüğümüz gibi biraz farklıdır, ancak SPSS İstatistikleri bir örnek doğrulamayı da gerçekleştirme konusunda oldukça yeteneklidir ve bunu bizim gibi oldukça zarif bir şekilde yapar. prova yapmak. Lütfen Titanic_Test.sav dosyasının sadece açık değil, aynı zamanda aktif dosya olduğundan emin olun.

Puanlama Sihirbazı, Yardımcı Programlar menüsünde bulunur. Kullanılabilecek tüm .xml dosyalarını listeler. Ayrıca makinenizde bulunabilecek .zip dosyalarını da görüntüleyebileceğini unutmayın. Sadece yeni yaptığımız dosyayla ilgileniyoruz.

SPSS, modelde atıfta bulunulan değişkenlerin Test veri setinde de bulunduğunu doğrulamak ister. Gerçekten de hizalanmalılar, bu da devam etmemize izin veriyor.

Son olarak, Puanlama Sihirbazı tarafından hangi yeni puanlanan değişkenlerin oluşturulacağına karar vermeliyiz. Bunlar model türüne göre farklılık gösterir ve .xml dosyasını oluşturduğumuzda talep ettiğimizden etkilenir. Son üç seçeneği talep edeceğiz: Gösterildiği gibi Düğüm Numarası, Öngörülen Değer ve Güven.

Test yolcuları için tahminler artık veri penceresinde görünmelidir. (Tahminleri görmeyi kolaylaştırmak için Ad değişkeni taşındı.) Puanlama Sihirbazını her ekranı göstererek biraz ayrıntılı olarak ele aldık, ancak gördüğünüz gibi gerçekten oldukça basittir.

Bu, yararlanabilecek olanlardan daha az kişinin bildiği birçok SPSS İstatistik özelliğinden biridir. Örneğin, birçok SPSS İstatistik kullanıcısı doğrusal regresyon kullanır, ancak çok azı aynı menüyü kullanarak regresyon modelleriyle yeni rekorlar elde edebileceğini bilir.

Anket analizi örnekleri
SPSS analiz programı
SPSS aritmetik ortalama ve standart sapma hesaplama
Anket sonuçları hesaplama programı
Anket analizi nasıl yapılır
SPSS analiz yöntemleri
Spss ölçek toplam puan hesaplama
SPSS çoklu cevap veri girişi

K En Yakın Komşular ile kalıpları bulun ve tahminler yapın

K En Yakın Komşular (KNN), çalışmanın bu bölümünde gördüğümüz diğer iki algoritma olan sinir ağları ve karar ağaçları ile ilginç bir karşıtlık sağlar. Ayrıca geleneksel tekniklerle en keskin kontrastı sunar. Temel konsept basittir: Algoritmaya yeni bir vaka sunulduğunda, yeni vakaya en çok benzeyen az sayıda eğitim vakası bulur ve yeni vakayı aynı kategoriye gireceği varsayımıyla sınıflandırır. 

Bir çalışanın maaşını tahmin etmeye çalışıyorsanız ve k = 5 ise, tahmin edilen maaş, yeni duruma en çok benzeyen eğitim veri setindeki 5 çalışanın ortalaması olacaktır. Dolayısıyla, Titanic veri seti ile hayatta kalmayı tahmin ederek başlayacak olsak da, bu tekniği nöral net bölümünde (13) kullanılan Bank veri seti ile maaş tahmin etmek için de kullanabilirsiniz.

“Komşular” bulmayı ve bir sınıflandırıcı olarak KNN’yi kullanmayı tartıştıktan sonra, Bölüm III’te gördüğümüz üç sınıflandırıcının performansının bir karşılaştırmasıyla bölümü bitireceğiz. Eğitim setinden yapılan bir model şeklinde bir genelleme yapılmamaktadır. Katsayılar yok. R2 gibi anlamlılık testi ve uyum iyiliği yoktur.

Makine öğreniminde uzmanlaşan bilgisayar bilimcilerinin bunu tanımlamak için sıklıkla kullandıkları ifade, KNN’nin “tembel öğrenen” olduğu, yani geleneksel anlamda bir model oluşturmadığıdır. “Model” aslında eğitim verilerinin konumlarının tamamıdır ve bu nedenle genellikle “bellek tabanlı” veya “örnek tabanlı” bir teknik olarak tanımlanır. Bu özelliklerle ilgili olarak, tüm eğitim veri setini “ezberlediğinden” oldukça yavaş olabilir.

Gördüğümüz gibi, veri madencileri, bir tekniğin karmaşıklığından etkilendikleri (ya da etkilenmedikleri) için bir algoritma hakkında yargıda bulunmazlar. Burada neredeyse hiçbir teori yok. Herhangi bir dağıtım varsayımı yoktur. Konsept basittir, bu nedenle algoritmanın etkinliğinin pratik kullanımıyla kanıtlanması gerekecektir.

Yeni veriler üzerinde iyi tahmin yapıyor mu? KNN, Titanic veri setini kullanan üç algoritmamızın sonuncusu olduğundan, her birinin aynı tren ve test bölümünü kullanarak yeni verilerdeki değerleri tahmin etme yeteneğinin yan yana karşılaştırmasını yapacağız. Önceki paragrafın sonunda belirtildiği gibi, bunları, sözde bir topluluk olarak, birbirleriyle bağlantılı olarak kullanmanın nasıl bir şey olduğunu da kısaca keşfedeceğiz.

 KNN’yi Kullanma

KNN’nin sadece sınıflandırmak için kullanılmasına gerek yoktur (bir sonraki bölümde tartışılacaktır). Bazen yalnızca mesafeleri bulmak için kullanılır – genellikle hangi veri noktalarının en yakın olduğunu bulmak amacıyla. Girdi değişkenlerinde diğer yolculara benzer yolcuları bulmak için tekniği hedef değişken olmadan basitçe çalıştırabiliriz. Tekniğin bu yönü, eHarmony flört sitesi hizmeti gibi bir durumda da geçerli olabilir. eHarmony gibi bir arkadaşlık sitesi söz konusu olduğunda, geleneksel anlamda tahminde bulunmaz.

Bu, basitçe, diğer kayıtlardan (asgari uzaklığı anket sorularında benzer yanıtları ima eden kadınlar) yakın olan (kelimenin tam anlamıyla Öklid mesafesi veya başka bir mesafe ölçüsü açısından) olan kayıtları (örneğin erkekler) belirlemektir. Bir flört sitesi durumundaki yaklaşımın arkasındaki teori, bir kişiyle “bağlantı”nın, çok sayıda sorudaki benzer yanıtlarla ölçülen “uyumluluk” yoluyla daha olası hale getirilmesidir.

Bir flört web sitesi fikri, bunun gibi bir modelin nasıl yerleştirileceğini hayal etmemize de yardımcı olur. Algoritma, erkeklerin konumlarını “ezberleyecek” ve ardından tek bir kadına uygulanabilecekti.

The post Puanlama Sihirbazı – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).