Linguagem de marcação de modelo preditivo - Predictive Model Markup Language

A linguagem de marcação de modelo preditivo ( PMML ) é um formato de intercâmbio de modelo preditivo baseado em XML , concebido pelo Dr. Robert Lee Grossman , então diretor do Centro Nacional de Mineração de Dados da Universidade de Illinois em Chicago . PMML fornece uma maneira para aplicativos analíticos descreverem e trocarem modelos preditivos produzidos por mineração de dados e algoritmos de aprendizado de máquina . Ele suporta modelos comuns, como regressão logística e outras redes neurais feedforward. A versão 0.9 foi publicada em 1998. As versões subsequentes foram desenvolvidas pelo Grupo de Mineração de Dados.

Como PMML é um padrão baseado em XML, a especificação vem na forma de um esquema XML . A própria PMML é um padrão maduro com mais de 30 organizações que anunciaram produtos que suportam PMML.

Componentes PMML

Um arquivo PMML pode ser descrito pelos seguintes componentes:

• Cabeçalho : contém informações gerais sobre o documento PMML, como informações de copyright do modelo, sua descrição e informações sobre o aplicativo usado para gerar o modelo, como nome e versão. Ele também contém um atributo para um carimbo de data / hora que pode ser usado para especificar a data de criação do modelo.
• Dicionário de dados : contém definições para todos os campos possíveis usados ​​pelo modelo. É aqui que um campo é definido como contínuo, categórico ou ordinal (tipo de atributo). Dependendo dessa definição, os intervalos de valores apropriados são então definidos, bem como o tipo de dados (como string ou double).
• Transformações de dados : as transformações permitem o mapeamento dos dados do usuário em uma forma mais desejável para serem usados ​​pelo modelo de mineração. PMML define vários tipos de transformações de dados simples.
  • Normalização: mapeia valores para números, a entrada pode ser contínua ou discreta.
  • Discretização: mapeie valores contínuos para valores discretos.
  • Mapeamento de valor: mapeia valores discretos para valores discretos.
  • Funções (personalizadas e integradas): derivar um valor aplicando uma função a um ou mais parâmetros.
  • Agregação: usado para resumir ou coletar grupos de valores.
• Modelo : contém a definição do modelo de mineração de dados. Por exemplo, uma rede neural feedforward multicamadasé representada em PMML por um elemento "NeuralNetwork" que contém atributos como:
  • Nome do modelo (atributo modelName)
  • Nome da função (atributo functionName)
  • Nome do algoritmo (atributo algorithmName)
  • Função de ativação (atributo activationFunction)
  • Número de camadas (atributo numberOfLayers)

Essas informações são seguidas por três tipos de camadas neurais que especificam a arquitetura do modelo de rede neural que está sendo representado no documento PMML. Esses atributos são NeuralInputs, NeuralLayer e NeuralOutputs. Além das redes neurais, a PMML permite a representação de muitos outros tipos de modelos, incluindo máquinas de vetores de suporte , regras de associação , classificador Naive Bayes , modelos de agrupamento, modelos de texto , árvores de decisão e diferentes modelos de regressão .

• Esquema de mineração : uma lista de todos os campos usados ​​no modelo. Pode ser um subconjunto dos campos, conforme definido no dicionário de dados. Ele contém informações específicas sobre cada campo, como:
  • Nome (nome do atributo): deve se referir a um campo no dicionário de dados
  • Tipo de uso (atributo usageType): define a forma como um campo deve ser usado no modelo. Os valores típicos são: ativo, previsto e suplementar. Os campos previstos são aqueles cujos valores são previstos pelo modelo.
  • Tratamento outlier (atributo outliers): define o tratamento outlier a ser usado. Em PMML, os outliers podem ser tratados como valores ausentes, como valores extremos (com base na definição de valores altos e baixos para um determinado campo) ou como estão.
  • Política de substituição de valor ausente (atributo missingValueReplacement): se este atributo for especificado, um valor ausente será automaticamente substituído pelos valores fornecidos.
  • Tratamento de valor ausente (atributo missingValueTreatment): indica como a substituição do valor ausente foi derivada (por exemplo, como valor, média ou mediana).
• Alvos : permite o pós-processamento do valor previsto no formato de escalonamento se a saída do modelo for contínua. Os alvos também podem ser usados ​​para tarefas de classificação. Nesse caso, o atributo priorProbability especifica uma probabilidade padrão para a categoria de destino correspondente. É usado se a própria lógica de previsão não produziu um resultado. Isso pode acontecer, por exemplo, se um valor de entrada estiver faltando e não houver outro método para tratar os valores faltantes.
• Saída : este elemento pode ser usado para nomear todos os campos de saída desejados esperados do modelo. Esses são recursos do campo previsto e, portanto, são normalmente o próprio valor previsto, a probabilidade, afinidade do cluster (para modelos de clustering), erro padrão, etc. A versão mais recente de PMML, PMML 4.1, Saída estendida para permitir pós-processamento genérico de saídas do modelo. Na PMML 4.1, todas as funções integradas e personalizadas que estavam originalmente disponíveis apenas para pré-processamento também se tornaram disponíveis para pós-processamento.

PMML 4.0, 4.1, 4.2 e 4.3

PMML 4.0 foi lançado em 16 de junho de 2009.

Exemplos de novos recursos incluídos:

• Capacidades de pré-processamento aprimoradas: adições às funções integradas incluem uma variedade de operações booleanas e uma função If-Then-Else .
• Modelos de séries temporais : Novos modelos de suavização exponencial ; também placeholders para ARIMA , Seasonal Trend Decomposition e Spectral density estimation , que devem ser suportados em um futuro próximo.
• Explicação do modelo: Salvando as medidas de avaliação e desempenho do modelo no próprio arquivo PMML.
• Modelos múltiplos: recursos para composição, conjuntos e segmentação de modelos (por exemplo, combinação de regressão e árvores de decisão).
• Extensões de elementos existentes: adição de classificação multiclasse para máquinas de vetores de suporte , representação aprimorada para regras de associação e adição de modelos de regressão de Cox .

PMML 4.1 foi lançada em 31 de dezembro de 2011.

Novos recursos incluídos:

• Novos elementos de modelo para representar Scorecards, k-vizinhos mais próximos ( KNN ) e modelos de linha de base.
• Simplificação de vários modelos. Na PMML 4.1, o mesmo elemento é usado para representar a segmentação, conjunto e encadeamento do modelo.
• Definição geral de escopo de campo e nomes de campo.
• Um novo atributo que identifica para cada elemento do modelo se o modelo está pronto ou não para implantação de produção.
• Recursos aprimorados de pós-processamento (por meio do elemento Output).

PMML 4.2 foi lançado em 28 de fevereiro de 2014.

Os novos recursos incluem:

• Transformações: Novos elementos para a implementação de mineração de texto
• Novas funções integradas para a implementação de expressões regulares: corresponde, concat e substitui
• Saídas simplificadas para pós-processamento
• Aprimoramentos nos elementos do modelo Scorecard e Naive Bayes

PMML 4.3 foi lançado em 23 de agosto de 2016.

Os novos recursos incluem:

• Novos tipos de modelo:
  • Processo Gaussiano
  • Rede Bayesiana
• Novas funções integradas
• Esclarecimentos de uso
• Melhorias de documentação

A versão 4.4 foi lançada em novembro de 2019.

Histórico de lançamento

Grupo de mineração de dados

O Data Mining Group é um consórcio administrado pelo Center for Computational Science Research, Inc., uma organização sem fins lucrativos fundada em 2008. O Data Mining Group também desenvolveu um padrão denominado Portable Format for Analytics , ou PFA, que é complementar ao PMML.

Veja também

• Troca de rede neural aberta

Referências

links externos

• Pré-processamento de dados em PMML e ADAPA - A Primer
• Vídeo da apresentação do Dr. Alex Guazzelli em PMML para o ACM Data Mining Group (hospedado pelo LinkedIn)
• Especificação PMML 3.2
• Especificação PMML 4.0
• Especificação PMML 4.1
• Especificação PMML 4.2.1
• Especificação PMML 4.3
• Representando soluções preditivas em PMML: Mova de dados brutos para previsões - Artigo publicado no site da Web do IBM developerWorks.
• Análise preditiva em assistência médica: A importância dos padrões abertos - Artigo publicado no site do IBM developerWorks.