【数据分析】Altair Knowledge Studio 2021 新版本功能介绍
本文摘要（由AI生成）：
Altair Knowledge Studio 是一个先进的数据挖掘、机器学习和预测分析工作台，新版本于 3 月正式发布，对用户管理和安全性、时间序列数据处理、报告和数据共享功能进行了大量改进。新版本支持差分移动平均自回归（ARIMA）时间序列预测模型，可以在带有外源性列的单列数据上建立 ARIMA 预测模型。此外，新版本还包括自动特征工程、自动机器学习等功能，同时在用户界面和帮助菜单中提供了 Knowledge Studio 用户社区链接。
Altair® Knowledge Studio® 新版本已于3月正式发布！新版本对用户管理和安全性、时间序列数据处理、报告和数据共享功能进行了大量改进，本期将针对 Knowledge Studio 的新功能和变化做总结。
关于 Altair® Knowledge Studio®
Knowledge Studio 是一个先进的数据挖掘，机器学习和预测分析工作台，以其行业领先的专利决策树、策略树以及工作流和向导驱动的图形用户界面而闻名。
凭借先进的预测建模功能，Knowledge Studio 为数据挖掘周期的所有阶段提供全面的预测分析，在模型开发和部署方面功能尤其强大。
Part 1
ARIMA 时间序列预测
(ARIMA Time Series Forecasting)
Part 1
ARIMA 时间序列预测
(ARIMA Time Series Forecasting)
该平台现在支持差分移动平均自回归 （ARIMA） 时间序列预测模型。ARIMA是一种简单而强大的方法，用于包含季节性和其他类型的半正则变化的时间序列的预测。例如，使用ARIMA模型来预测:
工厂的电力和原料利用率
炼油厂的产量
卡车车队、铁路和海运公司的燃油消耗
医院的病人出院量和住院量
任何业务的销售量、收入和费用
用户可以在带有外源性列的单列数据上建立ARIMA预测模型
功能包括:
在模型和 Score 节点中访问系统生成的 Python 代码
在模型拟合前分解原始数据并显示诊断图
通过自动ARIMA选项选择最准确的模型
使用逐步算法或网格搜索根据用户定义的种子值估计 ARIMA 参数
使用手动输入的 ARIMA 参数构建用户自定义的模型
使用标准指标显示诊断图，以评估模型质量
单个节点内的预测
在构建带有外源性列的 ARIMA 模型时，使用 Score 节点预测数据
Part 2
自动特征工程
(Auto-Feature Engineering)
Part 2
自动特征工程
(Auto-Feature Engineering)
功能的自动性节省了开发新模型的时间，减少了模型设计错误的可能性
用户可以选择表，并指定多个表之间的关系
为每个可用的模型特征组合自动生成转换和聚合
Part 3
自动机器学习(AutoML)
Part 3
自动机器学习(AutoML)
这些改进显著减少了构建新的机器学习工作流所需的时间。
在单个模型中运行网格搜索。
新的交叉验证选项。
Part 4
其他
Part 4
其他
可以在欢迎界面和帮助菜单中找到 Knowledge Studio 用户社区链接
在策略树模型节点中会显示连续型因变量的缺失值的数量
评分卡模型节点中的 New Points Range Scaling 选项允许用户指定最大和最小分值数，而不是基于预期分值、基准比率和 PDO 来指定比率变换
直接从 Jupyter Notebook 中更新 Python 代码节点中的代码，而不需要关闭 Notebook
数据集优化（Dataset-Level Optimization）和多场景优化（Multiple Scenario Optimization）节点现在支持全局决策变量
