+49 231 97 00 340           kontakt@divis-gmbh.de

DE /   EN

ClearVu Analytics Features

(CVA)

In den nachfolgenden Tabellen sind alle Features von ClearVu Analytics (CVA) in den einzelnen Gruppen zusammengefasst.

Funktionalität/FeatureBeschreibungBasicStandardProfessional
 
Graphische BenutzeroberflächeVisualisierung, einfacher Workflow, Integration aller Teilkomponenten, flexible Konfiguration
ParallelitätParallele Berechnung von Modellen
Einfachste InstallationMinimale Anforderungen an die Softwareumgebung
Intuitives Projektmanagement– Persistenz der Projekte
– Projektrepräsentation durch genau 1 Datei
Clipboard SelektionEinfache Selektion (Copy/Paste) von Graphiken und Tabellen aus ClearVu Analytics zur Nutzung in anderen Anwendungen
Kundenspezifische KonfigurationAnpassungsmöglichkeiten an das Corporate Design zur Erstellung von Graphiken und Reports
Dokumentation– User Manual
– Online-Hilfesystem
– Trainingsunterlagen (Tutorial)
DatenimportUnterstützte Formate: Excel Mappen, csv und ods Dateien
Export von GraphikenRaster Image-, SVG-, EMF-Format
ModellierungsinterfaceInterface zum Statistikpaket „R“ zur Nutzung externer Modellierungsmethoden
Funktionalität/FeatureBeschreibungBasicStandardProfessional
 
Qualitätsmaße für Variable
Diverse graphische DarstellungenHistogramme, Korrelationen, Scatterplots
Filterfunktionen für Variable
VariablentransformationenAutomatischer Vorschlag von Variablentransformationen für Variable zur Verbesserung der Modellgüte
Gruppierung von VariablenGruppenweise Deklaration von Restriktionen (z.B. Auswahl von zwei aus fünf Variablen)
AusreißererkennungAutomatische Ausreißererkennung auf der Basis von Standardabweichungen
Funktionalität/FeatureBeschreibungBasicStandardProfessional
 
Automatische VariablenselektionHierarchisches Clustern zur Komplexitätsreduktion
Lineare Modelle
Variablenselektion für lineare ModelleVorwärts- und Rückwärtsselektion
Regelbasierte Fuzzy-ModelleModellrepräsentation als Fuzzy-Regeln, mit Regelinspektionsmethoden
Support Vector Machine
Entscheidungsbäume
Kriging-Verfahren
Random Forests
Neuronale Netzwerke
Automatische MetamodellierungAutomatische Selektion des besten Modells für die vorgegebenen Daten
Automatische Modellanpassung an die Daten
Berechnung verschiedenster Gütekriterien für die Modellgüte
Hochdimensionale ModelloutputsAls Menge von Metamodellen repräsentiert
Maße für die Wichtigkeit von Einflußvariablen
Sensitivitätsanalyse der ModelleInteraktive 2-D und 3-D Oberflächenplots und ternäre Diagramme
Konturplots
Funktionalität/FeatureBeschreibungBasicStandardProfessional
 
Standard DesignsFactorial Design
Plackett-Burman
D-Optimal Design
Latin Hypersquares
Space Filling DesignsBerücksichtigt bereits existierende Datenpunkte
Ermöglicht lineare Restriktionen
Berücksichtigt Variablengruppenrestriktionen
Designs für FormulierungenBerücksichtigung von Füllsubstanzen
VerschiedenesEditor für neue Variable
Funktionalität/FeatureBeschreibungBasicStandardProfessional
 
Integration mit der ModellierungZielfunktionen der Optimierung basieren auf Modellen
ZielfunktionsrechnerZielfunktionen können als mathematische Ausdrücke unter Verwendung von Modelloutputs formuliert werden
Verwendung mehrerer ZielfunktionenVollständige Integration mehrkriterieller Optimierung mit Darstellung der Pareto-Front
RestriktionseditorRestriktionen auf den Zielfunktionen können allgemein formuliert werden; inklusive Berücksichtigung algebraischer Restriktionen
Visualisierung der OptimierungDarstellung des Optimierungsfortschritts sowie der Pareto-Front
Hochwertigste OptimierverfahrenWeiterentwickelte Evolutionsstrategien zur Identifikation bestmöglicher Lösungen in hochdimensionalen multimodalen Suchräumen
Funktionalität/FeatureBeschreibungBasicStandardProfessional
 
Schieberegler-AnalyseExploration von Modellen durch interaktive Parametervariationen
Einfache, visuelle und schnelle Bewertung für geplante Experimente
Darstellung der Sensitivität einzelner Parameter
Funktionalität/FeatureBeschreibungBasicStandardProfessional
 
Modeling Add-inNutzbarkeit der Modelle als Excel Add-ins (d.h. Zellen in Excel berechnen modellbasierte Prognosen auf der Basis von ClearVu Analytics-Modellen)
Berechnung der Modelle in Excel
Austausch von Modellen zwischen ClearVu Analytics und Excel
Funktionalität/FeatureBeschreibungBasicStandardProfessional
 
Command-line FeaturesNutzung aller Komponenten (Modellierung, Optimierung) als Command-line Aufrufe (ohne GUI)
Versuchsplanung im Batch Modus
Modellierung im Batch Modus
Optimierung im Batch Modus

Analyse & Konfiguration

Daten visualisieren und Einsichten gewinnen

Dieses Modul von ClearVu Analytics (CVA) unterstützt Sie bei der sogenannten explorativen Datenanalyse, also bei der Visualisierung und ersten einfachen Analyse der Daten. Dazu sind unter anderem die folgenden Verfahren verfügbar:


  • einfacher Datenimport aus gängigen Datenformaten (csv, Excel)
  • Definition von Wertebereichen und Restriktionen
  • Scatterplots
  • Boxplots zur Analyse der Datenverteilung
  • Ausreißererkennung
  • Berechnung und Visualisierung von Korrelationen
  • Vorschlag von Variablentransformationen zur Unterstützung der Modellierung
  • umfangreiche Reportingfunktionen (Export von Graphiken)

Für eine Vielzahl von Anwendungen, z.B. im Bereich der Formulierungsoptimierung, sind zusätzliche Spezialfunktionen implementiert. Zudem kann ClearVu Analytics gemischt-ganzzahlige Datentypen sowie kategorielle Datenwerte (Klassenvariablen) und teilweise fehlende Datenwerte problemlos handhaben.

Modellierung

Automatisch das bestmögliche Modell generieren

Die Modellierung in ClearVu Analytics (CVA) ermöglicht Ihnen die automatische Generierung von Modellen aus Daten. ClearVu Analytics wendet eine Vielzahl von (nichtlinearen) Modellierungsverfahren auf die Daten an, da es a priori unmöglich ist, das beste Verfahren auszuwählen.

Für alle Verfahren optimiert ClearVu Analytics die Lernparameter. Damit ist automatisch sichergestellt, dass das beste Verfahren angewandt und das beste Modell generiert wird. Das Zielkriterium für die Modelle ist dabei immer deren Generalisierungsfähigkeit, d.h. die Prognosegüte der Modelle wird bewertet. Damit wird das häufig in der Modellierung anzutreffende „Auswendiglernen“ (bzw. „Overfitting“) vermieden.

Nach Abschluss dieses automatischen Modellierungsprozesses erkennen Sie einfach anhand einer „Ampel“, wie erfolgreich die Modellierung war und welches Modell „gewonnen“ hat. Dann können Sie direkt mit der Anwendung der Modelle für Prognosen, Sensitivitätsanalysen oder die Optimierung fortfahren.

Für den Expertenanwender besteht die Möglichkeit, die Lernparameter der Methoden auch selbst zu beeinflussen – worauf aufgrund der Leistungsfähigkeit der automatische Modellierung aus unserer Erfahrung heraus verzichtet werden sollte.

Obwohl ClearVu Analytics Ihnen alle modernen Verfahren der nichtlinearen Datenanalyse zur Verfügung stellt, ist die Generierung des optimalen Modells für den Anwender extrem einfach. Sie erfordert nur etwas Rechenzeit. Das Resultat wird in einfach verständlicher Weise präsentiert. Zu den verfügbaren Methoden zählen unter anderem:


  • verallgemeinerte lineare Modelle
  • Support Vector Machine
  • Fuzzy Modelle
  • Entscheidungsbäume
  • Ensembles von Entscheidungsbäumen („random forests“)
  • Neuronale Netze (MLP, feed-forward)
  • Gauß’sche Prozesse
  • Partial least squares Regression (PLS)
  • Hauptkomponentenregression

Modellanalyse und Prognose

Modelle verstehen und benutzen

Das aus der automatischen Optimierung gewonnene beste Modell können Sie in vielfältiger Weise in ClearVu Analytics verwenden und analysieren:


  • modellbasierte Prognose
  • ein- und zweidimensionale Sensitivitätsanalysen
  • ternäre Diagramme für dreidimensionale Sensitivitätsanalyse
  • Modellinspektion für geeignete Modellierungsverfahren
  • Bestimmung von Parametereinflüssen über Sobol-Indices
  • Reduktion des Parameterraumes über Dendrogramme
  • vielfältige Visualisierungen

Beispiel Prognosen: Für neue Parametereinstellungen (Prozesseinstellung, Produktkonfiguration, etc.) kann die Modellausgabe (Qualität, Güte, Stabilität, Kosten, …) vorhergesagt werden. Weiterhin können Sie Sensitivitätsanalysen durchführen, wobei der Einfluss der Variation von einem oder zwei Parametern auf den Modellausgang untersucht wird. Mit Hilfe von sogenannten ternären Diagrammen können Sie auch die Einflüsse von drei Variablen, die eine konstante Summe ergeben, untersuchen (eine häufige Anwendung im Bereich der Formulierungsoptimierung).

Im Rahmen der Modellanalyse ist es für verschiedene Modellarten auch möglich, das Modell selbst zu inspizieren. Dies ist beispielsweise bei linearen Modellen sowie bei Fuzzy Modellen (Inspektion der Regeln) möglich und ermöglicht oft tiefer gehende Erklärungen der Zusammenhänge des modellierten Realsystems.

Weitere hilfreiche Analysemethoden umfassen die Bestimmung der Wichtigkeit einzelner Parameter (z.B. über sog. Sobol-Indices) sowie die Verwendung von Parameterdendrogrammen zur Reduktion des Parameterraumes. Beide Methoden sind über einfache graphische Visualisierungen intuitiv verwendbar.

Kundenlogin

Bitte melden Sie sich an, anschließend werden Sie automatisch weitergeleitet.

Kontaktdaten

divis intelligent solutions GmbH
Joseph-von-Fraunhofer-Str. 20
44227 Dortmund
+49 231 97 00 340
kontakt(at)divis-gmbh.de

Newsletter

Unser kostenloser Newsletter informiert Sie über Neuigkeiten und Termine.
Hier können Sie sich in unseren Newsletter eintragen: