本文共 1463 字，大约阅读时间需要 4 分钟。
准备数据
输入数据即预测变量数据集，不包括目标标量。预测变量由挖掘模式 (Mining Schema) 定义，每一个预测变量的属性在数据字典中定义。
数据预处理
该过程的主要目的是检测输入数据的有效行。
- 遗漏值 (missing value) 检测。如果输入值为空，则为 missing value。否则对于分类变量，如果数据字典中定义了有效分类值和遗漏值集合， 如果输入数据等于其中某一遗漏值，或者不等于任何遗漏值，但是也不属于某一种有效值，我们都认为该值是一个遗漏值。 对于连续变量来说，数据字典中可以定义一个或多个有效值区间 (Interval)，如果输入值不在该区间，该值就是 missing value， 如果没有任何有效区间定义，任何有效的数值都是有效。如清单 1 所示，变量 Sex 的取值只有 {F, M}，如果不是这两个取值， 就认为是遗漏值；变量 Age 有效区间为 [0, 120]，如果输入值为 150 则被认为是 missing value。
- 异常值 (outliers) 检测。该检测只适用于连续变量，如果输入数据不是 missing value，PMML 定义了以下三种不同的处理方式：
- 不做任何处理 (asIs)。
- 作为 missing value(asMissingValues)。
- 被边界值代替 (asExtremeValues)。如果小于最小值，则被当前的最小值代替，否则如果大于最大值， 被最大值代替。如清单 2 所示，如果变量 Na 输入值为 0.01，会被最小值 0.02 代替，如果输入值是 0.09，则会被最大值 0.08 代替。
- 遗漏值 (missing value) 替换。如果输入值被认为是 missing value，PMML 可以在挖掘模式中可以定义遗漏替换值， 如果该属性被定义，当前遗漏值会它所替换。如清单 2 所示，如果输入的变量 BP 被判定为遗漏值，将使用“HIGH”进行取代。
打分
不同的模型 Score 方式是不一样的，取决于模型的类型。以我们最常用的决策树来说， Score 就是从根节点 (root node) 开始，根据每一个节点的判断语句 (Predicates)，选择其中的一个子节点， 直到达到叶子节点为止。
输出结果
按照output 所定义的格式输出结果
- Rule: SimpleRuleScoreDistribution{result=1, confidence_entries=[1=1.0], entityId=RULE1}
- RandomForest: ProbabilityDistribution{result=setosa, probability_entries=[setosa=1.0]} setosa 1.0 0.0 0.0
- LR: 0.9999999972257427 0.9999999972257427
- GBDT: ProbabilityDistribution{result=0, probability_entries=[0=0.9965122268672915, 1=0.003487773132708538]} 0.9965122268672915 0.003487773132708538
- DT: NodeScoreDistribution{result=1, probability_entries=[0=0.0, 1=1.0], entityId=2, confidence_entries=[]}
转载地址：http://zcftb.baihongyu.com/