Resumé
Dette udviklerkodemønster bruger Findability Platform (FP) Predict Plus-operatør fra Red Hat® Marketplace til at forudsige kundeforbrug ved hjælp af historiske data og demonstrerer den automatiserede proces med at bygge modeller.
Beskrivelse
Machine learning er et stort fagområde, der overlapper med og arver ideer fra mange relaterede felter, såsom kunstig intelligens. Fokus for feltet er læring - det vil sige at tilegne sig færdigheder eller viden fra erfaring. Oftest betyder dette at syntetisere nyttige koncepter fra historiske data. Som sådan er der mange typer læring, du kan støde på som praktiker inden for maskinlæring fra hele studieretninger til specifikke teknikker.
Regression i maskinlæring og statistik er en overvåget læringstilgang, hvor computerprogrammet lærer af de data, der gives til det, for at foretage nye observationer eller forudsigelser. I denne teknik har målvariablen kontinuerte værdier fra nul til uendelig. Eksempler på regressionsproblemer med givne historiske data omfatter:
- Forudsige temperaturen
- Forudsigelse af salg
- Forudsige boligprisen
- Forudsigelse af kundeforbrug
Vi vil fokusere på at forudsige kundeforbrug ved hjælp af historiske data og demonstrere den automatiserede proces med at bygge modeller ved hjælp af FP Predict plus operatør fra Red Hat Marketplace. Vi vil bruge FP Predict Plus-operatøren fra Red Hat Marketplace til at løse denne use case.
Når du har gennemført dette mønster, vil du forstå, hvordan du:
- Opsæt hurtigt instansen på OpenShift®-klyngen til modelbygning.
- Indtag dataene, og start FP Predict Plus-processen.
- Byg modeller ved hjælp af FP Predict Plus og evaluer ydeevnen.
- Vælg den bedste model og fuldfør implementeringen.
- Generer nye forudsigelser ved hjælp af den implementerede model.
Flow
- Brugeren logger ind på FP Predict Plus-platformen ved hjælp af en forekomst af FP Predict Plus-operatøren.
- Brugeren uploader datafilen i CSV-formatet til Kubernetes-lageret på platformen.
- Brugeren starter modelbygningsprocessen ved hjælp af FP Predict Plus-operatoren på OpenShift-klyngen og opretter pipelines.
- Brugeren evaluerer forskellige pipelines fra FP Predict Plus og vælger den bedste model til implementering.
- Brugeren genererer nøjagtige forudsigelser ved at bruge den implementerede model.
Instruktioner
Find de detaljerede trin til dette mønster i README fil. Trinene viser dig, hvordan du:
- Tilføj dataene
- Skab et job
- Gennemgå jobdetaljerne
- Analyser resultater
- Download filen med resultater og model
- Forudsigelse ved hjælp af nye data
- Opret forudsigelsesjob
- Tjek joboversigt
- Analyser resultaterne af forudsigelige job
- Download forudsagte resultater
