Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску
«PMML» перенаправляется сюда. Чтобы узнать о чикагском учреждении, см. Военный музей и библиотеку Прицкера .
Не путать с Пиммелом .
PMML Logo.png

Язык разметки прогнозных моделей ( PMML ) - это основанный на XML формат обмена прогнозирующими моделями , разработанный доктором Робертом Ли Гроссманом , в то время директором Национального центра интеллектуального анализа данных в Университете Иллинойса в Чикаго . PMML предоставляет аналитическим приложениям способ описания и обмена прогнозными моделями, созданными с помощью алгоритмов интеллектуального анализа данных и машинного обучения . Он поддерживает общие модели, такие как логистическая регрессия и другие нейронные сети с прямой связью . Версия 0.9 была опубликована в 1998 году. [1] Последующие версии были разработаны Data Mining Group. [2]

Поскольку PMML является стандартом на основе XML, спецификация представлена ​​в форме схемы XML . PMML сам по себе является зрелым стандартом, и более 30 организаций анонсировали продукты, поддерживающие PMML. [3]

Компоненты PMML [ править ]

Файл PMML можно описать следующими компонентами: [4] [5]

  • Заголовок : содержит общую информацию о документе PMML, такую ​​как информация об авторских правах для модели, ее описание и информация о приложении, используемом для создания модели, например имя и версия. Он также содержит атрибут для отметки времени, который можно использовать для указания даты создания модели.
  • Словарь данных : содержит определения всех возможных полей, используемых моделью. Именно здесь поле определяется как непрерывное, категориальное или порядковое (атрибут optype). В зависимости от этого определения затем определяются соответствующие диапазоны значений, а также тип данных (например, string или double).
  • Преобразования данных : преобразования позволяют отображать пользовательские данные в более желательную форму, которая будет использоваться моделью интеллектуального анализа данных. PMML определяет несколько видов простых преобразований данных.
    • Нормализация: отображение значений в числа, ввод может быть непрерывным или дискретным.
    • Дискретность: преобразование непрерывных значений в дискретные.
    • Сопоставление значений: сопоставление дискретных значений с дискретными значениями.
    • Функции (настраиваемые и встроенные): получение значения путем применения функции к одному или нескольким параметрам.
    • Агрегация: используется для суммирования или сбора групп значений.
  • Модель : содержит определение модели интеллектуального анализа данных. Например, многослойная нейронная сеть с прямой связью представлена ​​в PMML элементом «NeuralNetwork», который содержит такие атрибуты, как:
    • Название модели (атрибут modelName)
    • Имя функции (атрибут functionName)
    • Имя алгоритма (атрибут имя алгоритма)
    • Функция активации (атрибут ActivationFunction)
    • Количество слоев (атрибут numberOfLayers)
Затем за этой информацией следуют три типа нейронных слоев, которые определяют архитектуру модели нейронной сети, представленной в документе PMML. Эти атрибуты - NeuralInputs, NeuralLayer и NeuralOutputs. Помимо нейронных сетей, PMML позволяет представлять множество других типов моделей, включая вспомогательные векторные машины , правила ассоциации , наивный байесовский классификатор , модели кластеризации, текстовые модели , деревья решений и различные модели регрессии .
  • Схема майнинга : список всех полей, используемых в модели. Это может быть подмножество полей, как определено в словаре данных. Он содержит конкретную информацию о каждом поле, например:
    • Имя (имя атрибута): должно относиться к полю в словаре данных
    • Тип использования (атрибут usageType): определяет способ использования поля в модели. Типичные значения: активные, прогнозируемые и дополнительные. Прогнозируемые поля - это те, значения которых предсказываются моделью.
    • Обработка выбросов (выбросы атрибутов): определяет используемую обработку выбросов. В PMML выбросы можно рассматривать как пропущенные значения, как экстремальные значения (на основе определения высоких и низких значений для конкретного поля) или как есть.
    • Политика замены отсутствующих значений (атрибут missingValueReplacement): если этот атрибут указан, то отсутствующее значение автоматически заменяется заданными значениями.
    • Обработка отсутствующего значения (атрибут missingValueTreatment): указывает, как была получена замена отсутствующего значения (например, в виде значения, среднего или медианы).
  • Цели : позволяет выполнять постобработку прогнозируемого значения в формате масштабирования, если выход модели является непрерывным. Цели также можно использовать для задач классификации. В этом случае атрибут priorProbability указывает вероятность по умолчанию для соответствующей целевой категории. Он используется, если сама логика прогноза не дала результата. Это может произойти, например, если входное значение отсутствует и нет другого метода обработки отсутствующих значений.
  • Вывод : этот элемент можно использовать для обозначения всех желаемых полей вывода, ожидаемых от модели. Это особенности прогнозируемого поля, а также, как правило, само прогнозируемое значение, вероятность, сродство к кластеру (для моделей кластеризации), стандартная ошибка и т. Д. Последняя версия PMML, PMML 4.1, расширенный вывод для обеспечения общей постобработки выходов модели. В PMML 4.1 все встроенные и пользовательские функции, которые изначально были доступны только для предварительной обработки, стали доступны и для последующей обработки.

PMML 4.0, 4.1, 4.2 и 4.3 [ править ]

PMML 4.0 был выпущен 16 июня 2009 г. [6] [7] [8]

Примеры новых функций:

  • Улучшенные возможности предварительной обработки: дополнения к встроенным функциям включают ряд логических операций и функцию If-Then-Else .
  • Модели временных рядов : новые модели экспоненциального сглаживания ; также заполнители для ARIMA , разложения сезонного тренда и оценки спектральной плотности , которые будут поддерживаться в ближайшем будущем.
  • Объяснение модели: Сохранение оценок и показателей производительности модели в самом файле PMML.
  • Множественные модели: возможности для построения моделей, ансамблей и сегментации (например, комбинирование регрессии и деревьев решений).
  • Расширения существующих элементов: добавление мультиклассовой классификации для машин опорных векторов , улучшенное представление правил ассоциации и добавление моделей регрессии Кокса .

PMML 4.1 был выпущен 31 декабря 2011 года. [9] [10]

Включены новые функции:

  • Новые элементы модели для представления карт показателей, k-ближайших соседей ( KNN ) и базовых моделей.
  • Упрощение нескольких моделей. В PMML 4.1 один и тот же элемент используется для представления сегментации, ансамбля и цепочки модели.
  • Общее определение области и имен полей.
  • Новый атрибут, который определяет для каждого элемента модели, готова ли модель к производственному развертыванию.
  • Расширенные возможности постобработки (через элемент «Вывод»).

PMML 4.2 был выпущен 28 февраля 2014 г. [11] [12]

Новые функции включают:

  • Преобразования: новые элементы для реализации интеллектуального анализа текста
  • Новые встроенные функции для реализации регулярных выражений: совпадения, конкатенация и замена.
  • Упрощенные выходы для постобработки
  • Улучшения в системе показателей и элементах модели наивного Байеса

PMML 4.3 был выпущен 23 августа 2016 г. [13] [14]

Новые функции включают:

  • Новые типы моделей:
    • Гауссовский процесс
    • Байесовская сеть
  • Новые встроенные функции
  • Разъяснения по использованию
  • Улучшения документации

История выпусков [ править ]

ВерсияДата выхода
Версия 0.7Июль 1997 г.
Версия 0.9Июль 1998 г.
Версия 1.0Август 1999 г.
Версия 1.1Август 2000 г.
Версия 2.0Август 2001 г.
Версия 2.1Март 2003 г.
Версия 3.0Октябрь 2004 г.
Версия 3.1Декабрь 2005 г.
Версия 3.2Май 2007 г.
Версия 4.0Июнь 2009 г.
Версия 4.1Декабрь 2011 г.
Версия 4.2Февраль 2014
Версия 4.2.1Март 2015 г.
Версия 4.3Август 2016 г.

Группа интеллектуального анализа данных [ править ]

Mining Group Data представляет собой консорциум под управлением Центром вычислительных наук Research, Inc., некоммерческая организация , основанной в 2008 году [15] Mining Group Данные также разработал стандарт переносимого формата для Analytics или PFA, который является дополнением к PMML .

См. Также [ править ]

  • Открытый обмен нейронной сетью

Ссылки [ править ]

  1. ^ «Управление и интеллектуальный анализ нескольких прогнозных моделей с использованием языка разметки прогнозного моделирования» . ResearchGate . DOI : 10.1016 / S0950-5849 (99) 00022-1 . Проверено 21 декабря 2015 .
  2. ^ "Группа интеллектуального анализа данных" . Проверено 14 декабря 2017 года . DMG гордится тем, что принимает у себя рабочие группы, которые разрабатывают язык разметки прогнозных моделей (PMML) и переносимый формат для аналитики (PFA) , два дополнительных стандарта, которые упрощают развертывание аналитических моделей.
  3. ^ "PMML Powered" . Группа интеллектуального анализа данных . Проверено 14 декабря 2017 года .
  4. ^ А. Guazzelli, М. Zeller, В. Чен, Г. Уильямс. PMML: открытый стандарт для обмена моделями . Журнал R , том 1/1, май 2009 г.
  5. ^ А. Guazzelli, В. Лин, Т. Jena (2010). PMML в действии (2-е издание): раскрытие возможностей открытых стандартов интеллектуального анализа данных и прогнозной аналитики . CreateSpace.
  6. ^ Веб-сайт Data Mining Group | PMML 4.0 - Изменения по сравнению с PMML 3.2. Архивировано 28 июля 2012 г. в Archive.today.
  7. ^ "Сайт Zementis | PMML 4.0 уже здесь!" . Архивировано из оригинала на 2011-10-03 . Проверено 17 июня 2009 .
  8. ^ Р. Пехтер. Что такое PMML и что нового в PMML 4.0? Информационный бюллетень ACM SIGKDD Explorations , том 11/1, июль 2009 г.
  9. ^ Веб-сайт Data Mining Group | PMML 4.1 - Изменения по сравнению с PMML 4.0
  10. ^ Информационный веб-сайт прогнозной аналитики | PMML 4.1 уже здесь!
  11. ^ Веб-сайт Data Mining Group | PMML 4.2 - Изменения по сравнению с PMML 4.1. Архивировано 20 мая 2014 г. в Archive.today.
  12. ^ Информационный веб-сайт прогнозной аналитики | PMML 4.2 уже здесь!
  13. ^ Веб-сайт Data Mining Group | PMML 4.3 - Отличия от PMML 4.2.1
  14. ^ Веб-сайт продукта языка разметки прогнозных моделей | Проектная деятельность
  15. ^ "2008 EO 990" . Дата обращения 16 октября 2014 .

Внешние ссылки [ править ]

  • Предварительная обработка данных в PMML и ADAPA - Учебник
  • Видео презентации PMML доктора Алекса Гуаццелли для группы ACM Data Mining (размещено на LinkedIn)
  • PMML 3.2 Технические характеристики
  • PMML 4.0 Спецификация
  • PMML 4.1 Технические характеристики
  • PMML 4.2.1 Технические характеристики
  • PMML 4.3 Технические характеристики
  • Представление прогнозных решений в PMML: переход от необработанных данных к прогнозам - статья опубликована на веб-сайте IBM developerWorks.
  • Прогнозная аналитика в здравоохранении: важность открытых стандартов - статья, опубликованная на веб-сайте IBM developerWorks.