In den nachfolgenden Tabellen sind alle Features von ClearVu Analytics (CVA) in den einzelnen Gruppen zusammengefasst.
+49 231 97 00 340 kontakt@divis-gmbh.de
(CVA)
In den nachfolgenden Tabellen sind alle Features von ClearVu Analytics (CVA) in den einzelnen Gruppen zusammengefasst.
Funktionalität/Feature | Beschreibung | Basic | Standard | Professional |
---|---|---|---|---|
Graphische Benutzeroberfläche | Visualisierung, einfacher Workflow, Integration aller Teilkomponenten, flexible Konfiguration | ✓ | ✓ | ✓ |
Parallelität | Parallele Berechnung von Modellen | ✓ | ||
Einfachste Installation | Minimale Anforderungen an die Softwareumgebung | ✓ | ✓ | |
Intuitives Projektmanagement | – Persistenz der Projekte – Projektrepräsentation durch genau 1 Datei | ✓ | ✓ | ✓ |
Clipboard Selektion | Einfache Selektion (Copy/Paste) von Graphiken und Tabellen aus ClearVu Analytics zur Nutzung in anderen Anwendungen | ✓ | ✓ | ✓ |
Kundenspezifische Konfiguration | Anpassungsmöglichkeiten an das Corporate Design zur Erstellung von Graphiken und Reports | ✓ | ✓ | ✓ |
Dokumentation | – User Manual – Online-Hilfesystem – Trainingsunterlagen (Tutorial) | ✓ | ✓ | ✓ |
Datenimport | Unterstützte Formate: Excel Mappen, csv und ods Dateien | ✓ | ✓ | ✓ |
Export von Graphiken | Raster Image-, SVG-, EMF-Format | ✓ | ✓ | ✓ |
Modellierungsinterface | Interface zum Statistikpaket „R“ zur Nutzung externer Modellierungsmethoden | ✓ | ✓ | ✓ |
Funktionalität/Feature | Beschreibung | Basic | Standard | Professional |
---|---|---|---|---|
Qualitätsmaße für Variable | ✓ | ✓ | ✓ | |
Diverse graphische Darstellungen | Histogramme, Korrelationen, Scatterplots | ✓ | ✓ | ✓ |
Filterfunktionen für Variable | ✓ | ✓ | ✓ | |
Variablentransformationen | Automatischer Vorschlag von Variablentransformationen für Variable zur Verbesserung der Modellgüte | ✓ | ✓ | ✓ |
Gruppierung von Variablen | Gruppenweise Deklaration von Restriktionen (z.B. Auswahl von zwei aus fünf Variablen) | ✓ | ✓ | ✓ |
Ausreißererkennung | Automatische Ausreißererkennung auf der Basis von Standardabweichungen | ✓ | ✓ | ✓ |
Funktionalität/Feature | Beschreibung | Basic | Standard | Professional |
---|---|---|---|---|
Automatische Variablenselektion | Hierarchisches Clustern zur Komplexitätsreduktion | ✓ | ✓ | ✓ |
Lineare Modelle | Automatische Strukturerstellung der Modelle, Möglichkeit benutzerdefinierter Terme | ✓ | ✓ | ✓ |
Variablenselektion für lineare Modelle | Vorwärts- und Rückwärtsselektion | ✓ | ✓ | ✓ |
Regelbasierte Fuzzy-Modelle | Modellrepräsentation als Fuzzy-Regeln, mit Regelinspektionsmethoden | ✓ | ✓ | ✓ |
Support Vector Machine | ✓ | ✓ | ✓ | |
Entscheidungsbäume | ✓ | ✓ | ✓ | |
Kriging-Verfahren | ✓ | ✓ | ✓ | |
Random Forests | ✓ | ✓ | ✓ | |
Neuronale Netzwerke | ✓ | ✓ | ✓ | |
Automatische Metamodellierung | Automatische Selektion des besten Modells für die vorgegebenen Daten | ✓ | ✓ | ✓ |
Automatische Modellanpassung an die Daten | ✓ | ✓ | ✓ | |
Berechnung verschiedenster Gütekriterien für die Modellgüte | ✓ | ✓ | ✓ | |
Hochdimensionale Modelloutputs | Als Menge von Metamodellen repräsentiert | ✓ | ✓ | ✓ |
Maße für die Wichtigkeit von Einflußvariablen | sobol, modellierungsindex | ✓ | ✓ | ✓ |
Sensitivitätsanalyse der Modelle | Interaktive 2-D und 3-D Oberflächenplots und ternäre Diagramme | ✓ | ✓ | ✓ |
Konturplots | ✓ | ✓ | ✓ |
Funktionalität/Feature | Beschreibung | Basic | Standard | Professional |
---|---|---|---|---|
Standard Designs | Factorial Design | ✓ | ✓ | |
Plackett-Burman | ✓ | ✓ | ||
D-Optimal Design | ✓ | ✓ | ||
Latin Hypersquares | ✓ | ✓ | ||
Space Filling Designs | Berücksichtigt bereits existierende Datenpunkte | ✓ | ✓ | |
Ermöglicht lineare Restriktionen | ✓ | ✓ | ||
Berücksichtigt Variablengruppenrestriktionen | ✓ | ✓ | ||
Designs für Formulierungen | Berücksichtigung von Füllsubstanzen | ✓ | ✓ | |
Verschiedenes | Editor für neue Variable | ✓ | ✓ |
Funktionalität/Feature | Beschreibung | Basic | Standard | Professional |
---|---|---|---|---|
Integration mit der Modellierung | Zielfunktionen der Optimierung basieren auf Modellen | ✓ | ✓ | |
Zielfunktionsrechner | Zielfunktionen können als mathematische Ausdrücke unter Verwendung von Modelloutputs formuliert werden | ✓ | ✓ | |
Verwendung mehrerer Zielfunktionen | Vollständige Integration mehrkriterieller Optimierung mit Darstellung der Pareto-Front | ✓ | ✓ | |
Restriktionseditor | Restriktionen auf den Zielfunktionen können allgemein formuliert werden; inklusive Berücksichtigung algebraischer Restriktionen | ✓ | ✓ | |
Visualisierung der Optimierung | Darstellung des Optimierungsfortschritts sowie der Pareto-Front | ✓ | ✓ | |
Hochwertigste Optimierverfahren | Weiterentwickelte Evolutionsstrategien zur Identifikation bestmöglicher Lösungen in hochdimensionalen multimodalen Suchräumen | ✓ | ✓ |
Funktionalität/Feature | Beschreibung | Basic | Standard | Professional |
---|---|---|---|---|
Schieberegler-Analyse | Exploration von Modellen durch interaktive Parametervariationen | ✓ | ✓ | |
Einfache, visuelle und schnelle Bewertung für geplante Experimente | ✓ | ✓ | ||
Darstellung der Sensitivität einzelner Parameter | ✓ | ✓ |
Funktionalität/Feature | Beschreibung | Basic | Standard | Professional |
---|---|---|---|---|
Modeling Add-in | Nutzbarkeit 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/Feature | Beschreibung | Basic | Standard | Professional |
---|---|---|---|---|
Command-line Features | Nutzung aller Komponenten (Modellierung, Optimierung) als Command-line Aufrufe (ohne GUI) | ✓ | ||
Versuchsplanung im Batch Modus | ✓ | |||
Modellierung im Batch Modus | ✓ | |||
Optimierung im Batch Modus | ✓ |
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:
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.
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:
Modelle verstehen und benutzen
Das aus der automatischen Optimierung gewonnene beste Modell können Sie in vielfältiger Weise in ClearVu Analytics verwenden und analysieren:
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.
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: