易用方便,高效建模
1) 使用門檻低,無需掌握SAS/Python編程語言亦可建模;
2)?自動幫助用戶進行數據清洗、缺失值處理、文本類特征編碼等在線下處理比較耗時的數據前處理問題,提高了數據預處理的效率;
3) 支持超參數和超參評估指標值聯動的顯示模式,用戶可以實時觀測在每組超參數情況下的方案;
4) 在自動調參功能的輔助下,省去了用戶手動調參的工作,并且可以獲得效果更好的超參數。
豐富的可視化圖表與友好的人機交互
1) 平臺自動生成數據畫像、可以直觀的呈現特征數據分布;
2) AUTO_ML平臺提供閾值和模型指標值聯動,用戶可以觀測在不同閾值下,模型各指標的取值情況,為用戶進行CUT_OFF_POINT的選取帶來方便。
豐富精準的評估結果報告
提供ROC KS PR LIFT特征重要性等曲線或Chart圖,便于全面評估待部署模型。
協作管理靈活高效
1) 方便靈活的用戶賬號管理與數據權限管理;
2) 平臺會自動生成并保存所有探索記錄及訓練結果,便于隨時查看分析,易于多人協作管理,提高工作效率。
充足的可擴展方案
1) 輸入輸出組件靈活方便對接外部系統或數據方便靈活;
2) 針對大規模數據提供Spark大數據版本擴展方案。
數據挖掘和衍生特征的功能
平臺使用機器學習的方法深度挖掘有效特征,有效輔助人工進行交叉特征的生成。
金融
貸款、信用卡;風險評估建模、 ABC評分卡;反欺詐建模
教育
效率預測;客戶分析;個性化推薦;客戶防流失
其他行業
數據分析與建模
AutoML自動建模 | 人工建模 | |
---|---|---|
數據預處理 | 對應復雜數據問題游刃有余 | 復雜數據問題人工處理難度大,效果往往達不到預期 |
技術門檻 | 大大降低建模人員門檻 | 人員素質門檻高(招聘難度大、薪資成本高) |
建模效率 | 高,幾小時~幾天 | 低,幾周~數月 |
模型質量 | 直達中高級人工建模水平,質量穩定 | 依賴人員技術,質量參差不齊 |
模型生命周期 | 長,且可預測 | 短,不穩定 |
集成化 | 高 | 依賴工具 |
模型管理 | 低 | 高(人員流動大、培訓成本高) |
應用場景 | 多,擴展迅速 | 少,擴展緩慢 |