IBM SPSS Neural Networks

Aborde complejos problemas predictivos que no responden a técnicas estadísticas clásicas o cuyos datos no satisfacen las condiciones estadísticas para abordarlo, sin necesidad de avanzados conocimientos matemáticos o de los fenómenos a modelar.

Identifique y cuantifique fácilmente las relaciones existentes entre sus variables de interés y aquellas que considere como predictoras.  Determinando precisos modelos de riesgo, comerciales o de segmentación que le permitirán avanzar su mirada del cliente adelantándose a las acciones de los mismos o a su mercado en general.

Podrá combinar IBM SPSS Redes Neuronales con otros procedimientos estadísticos para obtener una visión clara en un sin fin de áreas. En investigación de mercados, por ejemplo, podrá crear perfiles de clientes y descubrir sus preferencias. En marketing de bases de datos, podrá segmentar su base de clientes y optimizar sus campañas de marketing.

En análisis financiero, podrá utilizar IBM SPSS Redes Neuronales para analizar la capacidad de crédito de sus clientes y detectar un posible fraude. En análisis operativo, utilice esta nueva herramienta para administrar el flujo de efectivo y mejorar la planeación logística. Las aplicaciones científicas y en el área de salud incluyen el pronóstico, el coste de tratamientos, el análisis del desempeño médico, y la predicción de la duración y hospitalización de pacientes.

Controle el proceso desde el inicio hasta el final

Con IBM SPSS Redes Neuronales, podrá seleccionar el procedimiento Perceptron Multicapas (MLP) o el procedimiento de Función Radial Básico (RBF).

Ambos procedimientos tienen técnicas supervisadas de aprendizaje – esto es, hacen un mapa de las relaciones de los datos. Ambos utilizan arquitecturas unidireccionales (feedforward), esto significa que los datos se mueven exclusivamente en una sola dirección, desde los nodos de entrada a través de los nodos de las capas ocultas hasta los nodos de salida. La elección del procedimiento estará influenciada por el tipo de datos que tenga y el nivel de complejidad que busque.

Mientras que el procedimiento MLP encuentra relaciones más complejas, el procedimiento RBF es en general más rápido.

Usted ajusta el procedimiento eligiendo cómo hacer la partición de datos, qué clase de arquitectura desea, y los recursos que se aplicaran al análisis. Finalmente, usted podrá elegir desplegar sus resultados en tablas o gráficos, opcionalmente guarde las variables temporales en la base de datos activa y exporte los modelos en archivos XML para calificar futuros datos.

Con cualquiera de estos dos procedimientos, puede dividir sus datos en grupos de entrenamiento, prueba y validación. El grupo de entrenamiento es utilizado para estimar los parámetros de la red. El grupo de prueba es utilizado para prevenir el sobre-entrenamiento. El grupo validación se utiliza para determinar de forma independiente la red final, la cual es aplicada a toda la base de datos y a cualquier base de datos nueva.

Usted especifica las variables dependientes, las cuales deben de ser de escala, categóricas o una combinación de éstas. Si una variable dependiente tiene niveles de medida escalables, la red neuronal predice valores continuos que aproximan el valor “verdadero” de una función continua en los datos de salida. Si una variable dependiente es categórica, la red neuronal es utilizada para clasificar casos en la “mejor” categoría basada en los predictores de entrada.

Whitepapers y brochures