Verwenden Sie diese Fähigkeit, wenn der Benutzer einen Composite Score, Index oder eine multivariate Rangliste in einem CARTO-Workflow erstellen möchte.
Voraussetzungen: Laden Sie carto-create-workflow für den Entwicklungsprozess. Es deckt beide Zugangspfade ab – die Workflow-Werkzeuge des MCP-Servers (create_workflow, validate_workflow, run_workflow) wenn verbunden, andernfalls die CLI carto workflows. Routing-Signale: carto-basics/references/access-paths.md.
Anleitung
Schritt 1: Bestimmen des Scoring-Ansatzes
Fragen Sie den Benutzer den folgenden Entscheidungsbaum ab:
- "Haben Sie eine Ziel-/Ergebnisvariable?" (z. B. Umsatz, Verkaufszahlen, Kriminalitätsrate)
- Ja → Überwachte Methode mittels
native.spatialcompositesupervised
- Ja → Überwachte Methode mittels
- "Kein Ziel, aber haben Sie Expertenwissen über die Variablenbedeutung?" (d. h. benutzerdefinierte Gewichte)
- 2a. Transparenz ist wichtiger als Knotenzahl →
native.normalizepro Variable +native.selectexpressionmit der gewichteten Summe direkt in SQL (a_norm * 0.5 + b_norm * 0.2 + c_norm * 0.3). Eingaben und Gewichte sind in Workflows inline einsehbar; jede normalisierte Spalte wird materialisiert; keine Abhängigkeit vom Analytics Toolbox. Verwenden, wenn Stakeholder die Formel sehen/prüfen müssen, oder wenn Sie nicht auf AT laufen. - 2b. Möchten Sie die AT-Pipeline (Skalierung, Aggregation, Bucketing) für sich erledigen lassen →
native.spatialcompositeunsupervisedmitscoring_method: CUSTOM_WEIGHTS. Ein Knoten, aber die Formel ist innerhalb der Komponente verborgen.
- 2a. Transparenz ist wichtiger als Knotenzahl →
- "Kein Ziel, keine Gewichte?"
- → Unüberwachte Methode mit
ENTROPYoderFIRST_PCmittelsnative.spatialcompositeunsupervised
- → Unüberwachte Methode mit
Erfolg: Sie haben identifiziert, welche Komponente und welche Scoring-Methode verwendet werden soll, bevor Sie die Pipeline entwerfen.
Schritt 2: Erstellen der Pipeline
Überwachte Pipeline (native.spatialcompositesupervised)
- Laden Sie den räumlichen Merkmalsdatensatz (vorindexiert auf H3 oder Quadbin)
- Laden Sie den Ziel-/Ergebnisdatensatz
- Verbinden Sie beide Datensätze über die räumliche Indexspalte
- Wählen Sie nur die relevanten Merkmalspalten aus (räumliche Indexspalte und Geometrie aus der Merkmalsauswahl entfernen – nur die tatsächlichen Merkmalsvariablen übergeben)
- Führen Sie
native.spatialcompositesupervisedmit Parametern aus:model_type:LINEAR_REGbucketize:EQUAL_INTERVALS_ZERO_CENTEREDn_buckets:5outlier_removal:truer_squared_threshold:0.4
- Ausgabe: Composite Score basierend auf Regressionsresiduen (identifiziert Gebiete, die im Vergleich zum Modell über-/unterdurchschnittlich abschneiden)
Erfolg: Der Workflow verbindet Merkmale mit der Zielvariable, wählt nur numerische Merkmalspalten aus und erzeugt einen residualbasierten Score pro räumlicher Zelle.
Unüberwachte Pipeline (native.spatialcompositeunsupervised)
- Laden Sie den räumlichen Merkmalsdatensatz
- Wählen Sie nur die relevanten Merkmalspalten aus
- Kodieren Sie kategoriale/ordinale Variablen mit
native.casewhenin numerische Werte (z. B. "Low_density_urban" → 4, "High_density_urban" → 2) - Kehren Sie optional Variablen um, bei denen höher = schlechter, indem Sie sie in der SELECT-Abfrage, die an die Komponente übergeben wird, mit -1 multiplizieren
- Führen Sie
native.spatialcompositeunsupervisedmit Parametern aus:scoring_method:CUSTOM_WEIGHTS/ENTROPY/FIRST_PCweights: erforderlich, fallsCUSTOM_WEIGHTS. Das Wire-Format ist ein JSON-kodierter String von Tripeln[[<Spalte>, <Gewicht>, <umkehren>], ...]–Spalteist der Name der Merkmalspalte,Gewichtist ein numerisches Gewicht (intern normalisiert, sodass die Summe 1 ergibt),umkehrenist ein Boolean (truekehrt die Variable um, sodass höher = schlechter zu höher = besser wird, ohne dass ein CASE WHEN nötig ist). Beispiel:'[["population_density", 0.5, false], ["accident_rate", 0.5, true]]'. Keine Objekt-Map.scaling:RANKINGaggregation:LINEARoutput:RETURN_RANGEmit Bereich[0, 1]
- Ausgabe: Composite-Index-Score pro Standort
Erfolg: Alle Eingabevariablen sind numerisch, die Variablenrichtungen sind ausgerichtet (höher = besser für den Score), und die Ausgabe ist ein normalisierter Score pro räumlicher Zelle.
Fallstricke
- Provider-Groß-/Kleinschreibung & SQL-Dialekt. Diese Fähigkeit verwendet Kleinbuchstaben für Spaltennamen (BigQuery / Databricks / Postgres / Redshift Konvention). Auf Snowflake erscheinen nicht in Anführungszeichen gesetzte Bezeichner in GROSSBUCHSTABEN – referenzieren Sie
POPULATION_DENSITY,ACCIDENT_RATEusw. in Gewichten, Ausdrücken und nachgelagertem SQL. Siehecarto-create-workflow/references/providers/<provider>.mdfür die Groß-/Kleinschreibungsregeln und SQL-Dialekt-Äquivalente. - Alle Eingabevariablen müssen numerisch sein, mit ausgerichteter Richtung. Kodieren Sie ordinale Zeichenketten ("niedrig"/"mittel"/"hoch") zuerst über CASE WHEN, und wo "höher ist schlechter", multiplizieren Sie mit -1 (oder setzen Sie das
reverse-Flag), bevor das Scoring erfolgt – das Vergessen kehrt die Score-Bedeutung um. - Überwachter R-Quadrat-Schwellenwert (Standard 0.4) ist großzügig. Wenn die Modellanpassung schlecht ist, ist der residualbasierte Score hauptsächlich Rauschen. Überprüfen Sie die Modelldiagnostik.
- Benutzerdefinierte Gewichte werden intern normalisiert, sodass die Summe 1 ergibt. Die Absolutwerte sind nicht wichtig, nur die Verhältnisse.
- Überwachte Scores sind Residuen, keine Rohwerte. Der Score identifiziert Gebiete, die vom Modell ABWEICHEN, nicht Gebiete mit den höchsten Rohwerten.
- Entfernen Sie die räumliche Indexspalte und die Geometrie aus der Merkmalsauswahl – übergeben Sie nur die tatsächlichen Merkmalsvariablen an die Scoring-Komponente.
weightsTyp-Label ist falsch gemeldet. Das Komponentenschema (viaread_workflow_componentsMCP odercarto workflows components get native.spatialcompositeunsupervised --json) listetweightsalstype: "ColumnNumber", aber die tatsächliche Wire-Form ist einColumnAndNumberJSON-kodierter String von Tripeln[[<Spalte>, <Gewicht>, <umkehren>], ...](siehe Schritt 2 oben). Vertrauen Sie dieser Fähigkeit und den Referenzvorlagen mehr als dem gemeldeten Typ-Label.indexcol.allowedColumnsist ein UI-Hinweis, kein Validator. Das Schema listet["geoid", "h3", "quadbin"]fürnative.spatialcompositeunsupervised.indexcol, aber es ist ein Workflows-Dropdown-Hinweis – jeder eindeutige Bezeichner funktioniert zur Laufzeit (z. B.store_id,cell_id).
Referenzvorlagen
Beide Beispiele verwenden Mailand-Raummerkmalsdaten auf Quadbin-Auflösung 18.
| Vorlage | Komponente | Datei |
|---|---|---|
| Überwacht – Identifizierung resilienter Nachbarschaften | native.spatialcompositesupervised | composite-score-supervised.json |
| Unüberwacht – Marktpotenzial-Scoring | native.spatialcompositeunsupervised | composite-score-unsupervised.json |
Häufige Variationen
| Variation | Ansatz |
|---|---|
| Risikoindex (Überschwemmung, Kriminalität usw.) | Unüberwacht mit CUSTOM_WEIGHTS; Variablen umkehren, bei denen höher = sicherer |
| Marktpotenzial / Standortbewertung | Unüberwacht mit CUSTOM_WEIGHTS oder ENTROPY; nachfrageseitige Variablen höher gewichten |
| Resilienzindex | Überwacht mit Ergebnisvariable (z. B. Umsatzänderung); Residuen zeigen Über-/Unterperformer |
| Datengetriebener Index (kein Domänenwissen) | Unüberwacht mit FIRST_PC oder ENTROPY, damit die Varianz die Gewichte bestimmt |
| Human Development / zusammengesetzter Indikator | Unüberwacht mit CUSTOM_WEIGHTS und RANKING-Skalierung für ordinalsichere Aggregation |