Prediktivní značkovací jazyk modelu - Predictive Model Markup Language

The Prediktivní značkovací jazyk modelu (PMML) je XML -na základě prediktivní model výměnný formát koncipovaný Dr. Robert Lee Grossman, pak ředitel Národní centrum pro dolování dat na University of Illinois v Chicagu. PMML poskytuje analytickým aplikacím způsob, jak je popsat a vyměnit prediktivní modely produkovaný dolování dat a strojové učení algoritmy. Podporuje běžné modely jako logistická regrese a další dopředné neuronové sítě. Verze 0.9 byla zveřejněna v roce 1998.^[1] Následující verze byly vyvinuty společností Data Mining Group.^[2]

Protože PMML je standard založený na XML, specifikace má formu Schéma XML. Samotný PMML je vyspělý standard s více než 30 organizacemi, které mají ohlášené produkty podporující PMML.^[3]

Součásti PMML

Soubor PMML lze popsat následujícími komponentami:^[4][5]

• Záhlaví: obsahuje obecné informace o dokumentu PMML, například informace o autorských právech k modelu, jeho popis a informace o aplikaci použité ke generování modelu, například název a verzi. Obsahuje také atribut pro časové razítko, kterým lze určit datum vytvoření modelu.
• Datový slovník: obsahuje definice všech možných polí použitých modelem. Zde je pole definováno jako spojité, kategorické nebo pořadové (atribut optype). V závislosti na této definici jsou poté definovány příslušné rozsahy hodnot a také datový typ (například řetězec nebo dvojitý).
• Transformace dat: transformace umožňují mapování uživatelských dat do více žádoucí formy, kterou může model těžby použít. PMML definuje několik druhů jednoduchých transformací dat.
  • Normalizace: namapujte hodnoty na čísla, vstup může být spojitý nebo diskrétní.
  • Diskretizace: mapujte spojité hodnoty na diskrétní hodnoty.
  • Mapování hodnot: mapování diskrétních hodnot na diskrétní hodnoty.
  • Funkce (vlastní a integrované): odvození hodnoty použitím funkce na jeden nebo více parametrů.
  • Agregace: používá se k shrnutí nebo shromáždění skupin hodnot.
• Modelka: obsahuje definici modelu dolování dat. Např. Vícevrstvý dopředná neuronová síť je v PMML reprezentován prvkem „NeuralNetwork“, který obsahuje atributy jako:
  • Název modelu (atribut modelName)
  • Název funkce (atribut functionName)
  • Název algoritmu (atribut algorithmName)
  • Aktivační funkce (atribut activationFunction)
  • Počet vrstev (atribut numberOfLayers)

Za těmito informacemi následují tři druhy neuronových vrstev, které specifikují architekturu modelu neuronové sítě, který je v dokumentu PMML zastoupen. Tyto atributy jsou NeuralInputs, NeuralLayer a NeuralOutputs. Kromě neuronových sítí umožňuje PMML reprezentaci mnoha dalších typů modelů včetně podporovat vektorové stroje, pravidla přidružení, Naivní Bayesův klasifikátor shlukovací modely, textové modely, rozhodovací stromy a jiné regresní modely.

• Těžařské schéma: seznam všech polí použitých v modelu. Může to být podmnožina polí definovaných v datovém slovníku. Obsahuje konkrétní informace o každém poli, například:
  • Název (název atributu): musí odkazovat na pole v datovém slovníku
  • Typ použití (atribut usageType): definuje způsob, jakým má být pole použito v modelu. Typické hodnoty jsou: aktivní, předpokládané a doplňkové. Předpovězená pole jsou pole, jejichž hodnoty předpovídá model.
  • Odlehlé zacházení (odlehlé hodnoty atributů): definuje odlehlé zacházení, které se má použít. V PMML lze s odlehlými hodnotami zacházet jako s chybějícími hodnotami, jako s extrémními hodnotami (na základě definice vysokých a nízkých hodnot pro konkrétní pole) nebo jako takové.
  • Zásady nahrazení chybějící hodnoty (atribut missingValueReplacement): pokud je tento atribut zadán, pak je chybějící hodnota automaticky nahrazena danými hodnotami.
  • Léčba chybějící hodnoty (atribut missingValueTreatment): označuje, jak byla odvozena náhrada chybějící hodnoty (např. Jako hodnota, průměr nebo medián).
• Cíle: umožňuje následné zpracování předpokládané hodnoty ve formátu změny měřítka, pokud je výstup modelu spojitý. Cíle lze také použít pro úkoly klasifikace. V tomto případě atribut priorProbability určuje výchozí pravděpodobnost pro příslušnou cílovou kategorii. Používá se, pokud samotná predikční logika nepřinesla výsledek. K tomu může dojít, například pokud chybí vstupní hodnota a neexistuje žádná jiná metoda pro ošetření chybějících hodnot.
• Výstup: tento prvek lze použít k pojmenování všech požadovaných výstupních polí očekávaných od modelu. Jedná se o vlastnosti predikovaného pole, a tak jsou obvykle i samotná predikovaná hodnota, pravděpodobnost, afinita klastru (u modelů s klastrováním), standardní chyba atd. Poslední vydání PMML, PMML 4.1, rozšířené Výstup umožnit generické následné zpracování výstupů modelu. V PMML 4.1 byly všechny vestavěné a vlastní funkce, které byly původně k dispozici pouze pro předběžné zpracování, k dispozici také pro následné zpracování.

PMML 4.0, 4.1, 4.2 a 4.3

PMML 4.0 byla vydána 16. června 2009.^[6][7][8]

Příklady nových funkcí:

• Vylepšené možnosti předběžného zpracování: Mezi doplňky integrovaných funkcí patří řada Booleovský operace a Jestliže pak jinak funkce.
• Časové řady Modely: Nová exponenciální Vyhlazení modely; také umístit držáky pro ARIMA, Rozklad sezónních trendů, a Odhad spektrální hustoty, které budou v blízké budoucnosti podporovány.
• Vysvětlení modelu: Uložení vyhodnocení a měření výkonu modelu do samotného souboru PMML.
• Více modelů: Schopnosti kompozice modelu, souborů a segmentace (např. Kombinace regrese a rozhodovací stromy).
• Rozšíření existujících prvků: přidání klasifikace více tříd pro Podporujte vektorové stroje, vylepšené zastoupení pro Pravidla přidružení a přidání Coxovy regresní modely.

PMML 4.1 byla vydána 31. prosince 2011.^[9][10]

Zahrnuty nové funkce:

• Nové prvky modelu pro reprezentaci Scorecards, k-Nearest Neighbors (KNN ) a základní modely.
• Zjednodušení více modelů. V PMML 4.1 se stejný prvek používá k reprezentaci segmentace modelu, kompletace a řetězení.
• Celková definice rozsahu pole a názvů polí.
• Nový atribut, který identifikuje pro každý prvek modelu, pokud je model připravený pro produkční nasazení nebo ne.
• Vylepšené možnosti následného zpracování (prostřednictvím prvku Output).

PMML 4.2 byla vydána 28. února 2014.^[11][12]

Mezi nové funkce patří:

• Transformace: Nové prvky pro implementaci dolování textu
• Nové integrované funkce pro implementaci regulárních výrazů: shody, concat a replace
• Zjednodušené výstupy pro následné zpracování
• Vylepšení prvků modelu Scorecard a Naive Bayes

PMML 4.3 byla vydána 23. srpna 2016.^[13][14]

Mezi nové funkce patří:

• Nové typy modelů:
  • Gaussův proces
  • Bayesian Network
• Nové integrované funkce
• Vysvětlení použití
• Vylepšení dokumentace

Historie vydání

Skupina pro dolování dat

The Skupina pro dolování dat je konsorcium spravované neziskovou organizací Center for Computational Science Research, Inc., která byla založena v roce 2008.^[15] Data Mining Group také vyvinula standard zvaný Přenosný formát pro analytiku nebo PFA, který je komplementární s PMML.

Reference

externí odkazy

• Předběžné zpracování dat v PMML a ADAPA - základ
• Video z prezentace PMML Dr. Alexe Guazzelliho pro ACM Data Mining Group (hostitelem LinkedIn)
• Specifikace PMML 3.2
• Specifikace PMML 4.0
• Specifikace PMML 4.1
• Specifikace PMML 4.2.1
• Specifikace PMML 4.3
• Reprezentace prediktivních řešení v PMML: Přechod od nezpracovaných dat k předpovědím - Článek zveřejněný na webu IBM developerWorks.
• Prediktivní analytika ve zdravotnictví: Význam otevřených standardů - Článek zveřejněný na webu IBM developerWorks.