camLine veröffentlicht CornerstoneR 3.3 — Einführung von Validation Scores und weiteren kontinuierlichen Verbesserungen

Nutzer können sich nun über Verbesserungen der Funktionen Reliability Distribution Fitting und Gaussian Process Regression freuen, sowie über weitere kontinuierliche Verbesserungen der insgesamt verfügbaren Funktionen. Mit der leistungsstarken und sich ständig weiterentwickelnden Open-Source-Software R bietet CornerstoneR 3.3 die neuesten State-of-the-Art-Funktionalitäten für die Cornerstone-Umgebung. 

"Unser Team freut sich, unseren Nutzern diese Erweiterung anbieten zu können, die es ihnen ermöglicht, die Datenanalysefunktionen von Cornerstone zu erweitern, ohne dass sie über R-Programmierkenntnisse verfügen müssen. Nutzer mit R-Kenntnissen können dennoch ihre eigenen R-Skripte und Pakete schreiben oder in die Software laden, was ihnen nahezu endlose Möglichkeiten bietet, Daten innerhalb der kompakten Workmap-Struktur von Cornerstone zu untersuchen." sagt Alessandra Corvonato, Produktmanagerin bei camLine.

Die Funktion Validation Scores ist eine neue Ergänzung von CornerstoneR 3.3, die eine direkte Berechnung und Visualisierung der gebräuchlichsten Metriken für die statistische Modellevaluierung und die Darstellung der tatsächlichen gegenüber den vorhergesagten Werten für Regressionsmodelle ermöglicht.

Diese Version ist eine Erweiterung mit einer breiten Palette von Funktionalitäten für die statistische Modellierung und Vorhersage, einschließlich der aktualisierten Gaußschen Prozessregression mit verbesserten Startwerten für die Hyperparameter, Entscheidungsbäume, Random Forests, logistische Regression und Funktionsanpassung.

Die neueste Version bietet mehr Flexibilität bei der Erstellung von Graphen für die Funktion zur Anpassung der Zuverlässigkeitsverteilung für zensierte und unzensierte Daten, zusätzlich zur Datenvorbereitung (Umformung, Transponierung, Behandlung fehlender Werte usw.), dem Mosaikplot als grafisches Werkzeug und mehr.

Die Funktion Modellvorhersage ermöglicht die Prognose von Zielgrößenwerten für unbeobachtete Daten, insbesondere beim maschinellen Lernen, wenn es darum geht, Daten in Trainings- und Testdaten aufzuteilen und den Testdatensatz zur Modellvalidierung zu verwenden.

Die Version enthält außerdem K-Means Clustering, eine gängige Cluster-Analyse-Methode für unsupervised Learning, Zeitreihen-Analyse-Methoden (Feature-Extraktion, Auto- und Kreuzkorrelation, Moving Average Filter) und Zeitreihen-Modellierung.

CornerstoneR 3.3 ist jetzt verfügbar – Benutzer können die Funktionsübersicht mit detaillierten Anleitungen unter https://camline.gitlab.io/… abrufen. Cornerstone 8 und R 4.1 sind erforderlich.