SPSS Modeler - Personal

Downloads für die Software IBM SPSS Modeler

Datenblatt | Hilfreiche Informationen über den IBM SPSS Modeler, seinen Anwendungsgebieten und seinen Funktionen, können Sie in diesem Datenblatt einsehen: Datenblatt lesen

White Paper | In diesem White Paper erfahren Sie, wie Sie mithilfe von zeit- und standortbasierten Analysen neue Erkenntnisse erlangen: White Paper lesen

Big Data mit IBM SPSS Modeler | Lessen Sie hier wie Sie mit dem IBM SPSS Modeler, Big Data effizient und eindrucksvoll als Quelle für präzise Vorhersagen nutzen können: Broschüre lesen

Installationsanweisungen

Desktopinstallation

• Benutzerhandbuch für die Installation von Einzelplatzlizenzen: ModelerAuthorizedUserInstall.pdf
• Administratorhandbuch für die Installation von Einzelplatzlizenzen: ModelerAuthorizedUserAdmin.pdf
• Benutzerhandbuch für die Installation von Concurrent User Lizenzen: ModelerConcurrentInstall.pdf
• Administratorhandbuch für die Installation von Concurrent User Lizenzen: ModelerConcurrentAdmin.pdf

Serverinstallation

• Installationsanweisung für UNIX-Systeme: ModelerServerInstallforUNIX.pdf
• Installationsanweisung für Windows-Systeme: ModelerServerInstallforWin.pdf

Systemvoraussetzungen für die Software IBM SPSS Modeler

Details zur Installation können Sie den entsprechenden PDF-Installationsanweisungen, hinterlegt im Tab 'Downloads', entnehmen.

Desktop-Systeme

Server-Systeme

Neue Funktionen in IBM SPSS Modeler

• Modeler Personal und Modeler Professional jetzt unter MAC OS verfügbar. (Modeler Premium noch nicht!)

Big Data Algorithmen

In früheren Versionen vom Modeler wurden einige neue Algorithmen hinzugefügt, die allerdings nur in Kombination mit dem Analytic Server ausgeführt werden konnten. Nun können alle diese Algorithmen direkt im Modeler auch ohne Analytic Server benutzt werden. Zudem gibt es einen verbesserten Zeitreihenalgorithmus. All diese Algorithmen unterstützen parallele Prozessierung für die Modelbildung, das heißt, dass die Modelbildung auf großen Datenmengen nun viel schneller erfolgen kann (Big Data Algorithmen).
Folgende Algorithmen aus früheren Version sind jetzt im Modeler verfügbar (auch ohne Analytic Server):

• Statistische Methoden: Linear-AS und GLE
• Linear Support Vector Machines
• Entscheidungsbäume: Random Trees und Tree-AS (i.e. CHAID)
• Clustering Algorithmen: Two-Step-AS

Ihr Mehrwert der neuen Algorithmen: Multi-Threading

• Schnellere Modellbildung bei großen Datenmengen durch Parallelverarbeitung und effizientere Nutzung der Hardwareressourcen
• Alle neuen Algorithmen sind Multithreading-fähig, auch im lokalen Modeler (ohne Modeler Server bzw. Analytic Server)
• In früheren Modeler-Versionen waren Multithreading-fähige Algorithmen auf einen der o.g. Server angewiesen

Ihr Mehrwert der neuen Algorithmen: Regularization

• Verhindert “Overfitting” (ungenaue Vorhersagen auf neuen Daten) indem extreme und komplexe Parameterwerte reguliert werden
• Ohne Regularization werden oft nur auf den Daten, auf denen das Modell aufgebaut wurde, hervorragende Ergebnisse erzielt, nicht jedoch auf neuen Daten
• Verfügbar in GLE und Linear Support Vector Machines

Ihr Mehrwert der neuen Algorithmen: Automatische Datenaufbereitung

• Tree-AS und Linear Support Vector Machines benutzen im Hintergrund eine automatische Datenaufbereitung
• Für Sie reduziert sich hierdurch sowohl der Zeitaufwand als auch die Fehleranfälligkeit einer manuellen Datenaufbereitung erheblich
• Nur drei Beispiele dieses Features: Kategoriale Felder mit mehr als 12 Ausprägungen werden zusammengeführt (Default: <=12Bins), Transformation eines Datums bzw. Zeitfeldes in eine kontinuierliche Variable (z. B. Geburtstag in Alter), Leerzeichen bei Stringfeldern werden 'getrimmt'

Exkurs: Random Trees

• Random Trees ist ein 'Ensemble Model', bestehend aus einer Vielzahl von Entscheidungsbäumen (C&RT)
• Hauptziel von Random Trees: exakte Vorhersage der abhängigen Variable. Hier liegt der Fokus also nicht auf dem Erkennen unbekannter Zusammenhänge oder Muster.

Exkurs: Neuer Time Series Algorithmus

• 'Split' Modeling - verschiedene Zeitreihenvorhersagen werden für definierte Gruppen berechnet (anhand der Split-Variable). Multithreading-fähig und lauffähig in Analytic Server
• Ist die Splitvariable z.B. das Geschlecht oder die verschiedenen Filialen eines Retailers, dann können hierauf Zeitreihenvorhersagen erstellt werden

Open Source: Python for Spark, Predictive Extensions

Der SPSS Modeler kann jetzt auch Python for Spark ohne Zuhilfenahme des Analytic Server ausführen. Zudem ist die on-demand Integration von Predictive Extensions nun sehr vereinfacht. Damit geht SPSS weiter den Weg, Open Source Technologien zu integrieren (vgl. auch R).

• Spark ist Open Source Technologie und sehr schnell im Umfeld von Big Data Analytics. Aufgrund der in-memory Technologie um ein Vielfaches schneller als vergleichbare Techniken
• Spark MLlib Algorithmen sind im Modeler 18 via Python for Spark zugänglich, verfügbar auch für 'nicht-Hadoop' Datenquellen. Collaborative Filtering und Page Rank sind bereits als Extensions verfügbar
• Der Custom Dialog Builder unterstützt jetzt auch Python for Spark ohne Analytic Server. Der Programmiercode wird in benutzerfreundliche GUIs eingebunden und ermöglicht so auch 'Nicht-Programmierern' Zugang zu Spark Funktionalitäten
• Predictive Extensions kann man innerhalb des Modeler unmittelbar laden, so dass der gewünschte Algorithmus ohne Umwege sofort zur Verfügung steht

SPSS Community

• Neu in Modeler: direkter Zugriff zu den Foren und zur SPSS Community
• Die SPSS Community ist 'DIE' zentrale Anlaufstelle für SPSS Anwender
• Alle technischen Infos & Support, auch Predictive Extensions
• Support via Chat oder Email, ohne Kauf einer Lizenz/ ICN/ Recorded Entitlement

• Neue DB2 on Z/OS In-Database Algorithmen. Fünf In-Database Algorithmen laufen in DB2 auf Z/OS oder IDAA (IBM DB2 Analytics Accelerator): Decision Tree, Regression Tree, K-Means, Naïve Bayes, Two-step