Modelagem Preditiva com IBM SPSS Modeler

Conteúdo Programático
Módulos utilizados: IBM SPSS Modeler

Objetivo: Este curso demonstra como desenvolver modelos para previsão de variáveis categóricas e contínuas, usando técnicas de redes neurais, árvores de decisão, regressão logística, modelos de support vector machines e redes bayesianas. Estão incluídos exemplos de uso dos nós Binary Classifier e Numeric Predictor, para seleção automática dos modelos. Também são discutidas técnicas de seleção de melhores informações para o modelo e detecção de dados extremos. Melhores opções para cada nó de modelagem são revisadas em detalhe e são feitas sugestões sobre quando e como usar cada modelo. Além disso, você aprenderá a combinar dois ou mais modelos para melhorar a predição.

Duração: 3 dias/18 horas

Pré-requisito: Conhecimentos gerais em informática. Experiência com o IBM SPSS Modeler, incluindo familiaridade com o ambiente IBM SPSS Modeler, criação de fluxos, leitura de arquivos de dados, avaliação da qualidade dos dados e manipulação dos dados ausentes (nós TYPE e DATA AUDIT). Conhecimentos básicos de manipulação de dados (nós DERIVE e SELECT) e criação de modelos. Ter participado previamente do curso “Introdução ao IBM SPSS Modeler” é altamente indicado. Um curso introdutório em estatística ou experiência equivalente seria altamente indicado para assimilação das técnicas de modelagem.

Observação: Apostilas e arquivos estão em inglês.

I – Preparação de dados para Modelagem

• Limpeza dos dados
• Balanceamento dos dados
• Transformações em dados numéricos
• Criação de faixas de valores
• Particionamento dos dados
• Detecção de Anomalias
• Seleção de preditores para os modelos

II – Redução de Dados

• Uso de Componentes Principais para modelagem preditiva e análise de cluster
• O que procurar quando executar componentes principais ou análise fatorial
• Princípios
• Análise Fatorial versus Análise de Componentes Principais
• Números de Componentes
• Rotações
• Escores dos componentes
• Tamanho da Amostra
• Métodos
• Recomendações Gerais
• Regressão com Componentes Principais

III – Árvore de Decisão / Indução de Regras

• Comparação dos modelos de Árvores de Decisão
• Usando o nó C5.0
• Analisando o Modelo
• Gerando e analisando um conjunto de Regras
• Compreendendo a regra e determinando a acurácia
• Compreendendo os fatores mais importantes na predição
• Mais tópicos na Modelagem C5.0
• Modelando variáveis categóricas com outros algoritmos de Árvores de Decisão
• Modelando variáveis categóricas com árvores CHAID
• Modelando variáveis categóricas com árvores C&RT
• Modelando variáveis categóricas com árvores QUEST
• Árvores interativas
• Prever variáveis numéricas

IV – Redes Neurais

• Introdução a Redes Neurais
• O nó Redes Neurais
• Paleta de Modelos
• Validando a Lista de Preditores
• Entendendo a Rede Neural
• Entendendo o raciocínio por trás das predições
• Usando o Nó Analysis
• Resumo do modelo
• Técnicas avançadas de Redes Neurais
• Métodos de treinamento
• Rede Neural MLP (Multi-layer Perceptron)
• Rede Neural RBF (Radial Basis Function)
• Opções avançadas
• Algoritmos disponíveis
• Qual o método, quando?
• Prevenção de Super estimação
• Valores ausentes nas Redes Neurais
• Explorando as diferentes opções de Redes Neurais

V – Support Vector Machines

• A estrutura dos modelos SVM
• Modelo SVM para prever Churn
• Explorando o modelo
• Um modelo com uma função de Kernel diferente
• Ajustando o modelo RBF

VI – Regressão Linear

• Conceitos básicos de Regressão
• Um exemplo: detecção de erros ou fraudes em seguros

VII – Regressão Cox para Análise de Sobrevicência

• O que é uma Análise de Sobrevivência
• Regressão de Cox
• Regressão de Cox para prever Churn
• Checando as suposições de riscos proporcionais
• Predições de um modelo de Cox

VIII – Análise de Séries Temporais

• O que é uma Série Temporal?
• Um arquivo de dados de Séries Temporais
• Componentes de Tendências, Sazonalidade e Ciclicos
• O que é um modelo de Séries Temporais?
• Intervenções
• Alisamento Exponencial
• ARIMA
• Requisitos nos dados
• Previsões automáticas numa linha de produção
• Prevendo o uso de banda larga em diversos mercados
• Aplicando modelos em várias séries

IX – Regressão Logística

• Introdução a regressão logística
• Uma análise logística multinomial: prevendo risco de crédito
• Interpretando coeficientes

X - Análise Discriminante

• Como trabalhar com Análise Discriminante?
• O Modelo Discriminante
• Como os casos são classificados
• As suposições da Análise Discriminante
• Dicas de análise
• Comparação da Análise Discriminante e da Regressão Logística
• Um exemplo de aplicação da Análise Discriminante

XI - Redes Bayesianas

• O básico das Redes Bayesianas
• Tipos de Redes Bayesianas no IBM SPSS Modeler
• Criando um modelo de Redes Bayes
• Modificando ajustes dos modelo de Redes Bayes

XII - Descobrir o melhor modelo para Resultados Binários

• Introdução

XIII - Descobrir o melhor modelo para Resultados Numéricos

• Introdução

XIV - Obtendo o Melhor dos Modelos

• Combinando os modelos com o Nó Ensemble
• Usando escores de propensão
• Nível de meta modelagem
• Modelagem de erro

XV – Apêndice A - Lista de Decisão

• Um modelo de Lista de Decisão
• Comparação de modelos de Indução de Regras
• Indução de Regras usando Lista de Decisão
• Entendendo as regras e determinando a acurácia
• Entendendo os fatores mais importantes na predição
• Opções avançadas de Lista de Decisão
• Lista de Decisão Interativa