Minitab Predictive Analytics Suite
Die Minitab Predictive Analytics Suite ist das System für den modernen Datenanalysten, um fortschrittliche Data-Science-Applikationen für Business Analytics, Business Intelligence und Anwendungen für Maschinelles Lernen umzusetzen. Die Predictive Analytics Suite begleitet den Anwender in einer anpassbaren programmatischen Weise, diese Analysen zu vereinheitlichen und firmenweit umzusetzen. Um noch vielfältiger aufgestellt zu sein, haben die Entwickler Schnittstellen zu "R" und "Python" eingebaut. Damit kann aus Minitab heraus "R"- und/oder "Python"-Code ausgeführt werden, und die Ergebnisse lassen sich in den Minitab-Projekten einbetten.
Die Minitab Predictive Analytics Suite besteht aus den Systemen
Die einzelnen Systeme sind miteinander verzahnt und lassen sich über Konnektoren durch den ADDITIVE Professional Service an viele andere Systeme zum Datenimport andocken. Einmal importiert werden die Daten anhand des interaktiven Grafikerstellungswerkzeuges in einem ersten und schnellen Schritt statistisch analysiert, um dann mit dem optimalen Werkzeug die intensive Datenanalyse umzusetzen. Bei dem Design neuer Produkte oder der Verbesserung von bestehenden Produktionsprozessen ist es besonders wichtig, Prognose und Vergleiche von Alternativen zu berechnen. Für das Data-Mining in den Bereichen Predictive Analytics und Predictive Maintenance stehen die CART- Technologien (CART®-Klassifikation und CART®-Regression) sowie TreeNet® und Random Forests® zur Verfügung.
TreeNet und Random Forest sind zwei proprietäre baumbasierte Algorithmen für Maschinelles Lernen und verwenden eine Reihe von Wenn-Dann-Regeln, um Prognosen aus einem oder mehreren Entscheidungsbäumen zu erstellen. Im Vergleich zu linearen Modellen wie der Regression können baumbasierte Methoden nichtlineare Beziehungen sehr gut abbilden und mit der Unschärfe in Daten umgehen, die andere Methoden einfach nicht bewältigen können. Neben einer schnellen Antwort, die Zeit spart, bieten baumbasierte Methoden auch eine hohe Genauigkeit und sind einfach zu interpretieren.
Das automatisierte Maschinelle Lernen (AutoML) unterstützt den Anwender auf Wunsch bei der Auswahl des am besten geeigneten Modells aus den verfügbaren Methoden CART-Klassifikations- und Regressionsbäume, TreeNet und Random Forest. Anwender haben die Möglichkeit, die verschiedenen Modelle miteinander zu vergleichen und gegebenenfalls ein anderes Modell auszuwählen.
