ساخت یک مدل رگرسیون یادگیری ماشین با استفاده از پلتفرم Findability Predict Plus

بازنشر افلاطون

دنبال: 0

خلاصه

این الگوی کد توسعه‌دهنده از عملگر Predict Plus Platform Findability (FP) از Red Hat® Marketplace برای پیش‌بینی هزینه‌های مشتری با استفاده از داده‌های تاریخی استفاده می‌کند و فرآیند خودکار ساخت مدل‌ها را نشان می‌دهد.

توضیحات:

یادگیری ماشینی یک حوزه مطالعاتی بزرگ است که با بسیاری از زمینه‌های مرتبط مانند هوش مصنوعی همپوشانی دارد و ایده‌هایی را به ارث می‌برد. تمرکز این رشته یادگیری است - یعنی کسب مهارت یا دانش از تجربه. معمولاً این به معنای ترکیب مفاهیم مفید از داده های تاریخی است. به این ترتیب، انواع مختلفی از یادگیری وجود دارد که شما ممکن است به عنوان یک متخصص در زمینه یادگیری ماشینی از کل زمینه‌های تحصیلی گرفته تا تکنیک‌های خاص با آن‌ها مواجه شوید.

رگرسیون در یادگیری ماشینی و آمار یک رویکرد یادگیری نظارت شده است که در آن برنامه کامپیوتری از داده های داده شده به آن برای انجام مشاهدات یا پیش بینی های جدید یاد می گیرد. در این تکنیک، متغیر هدف دارای مقادیر پیوسته از صفر تا بی نهایت است. نمونه هایی از مشکلات رگرسیون با داده های تاریخی داده شده عبارتند از:

پیش بینی دما
پیش بینی فروش
پیش بینی قیمت مسکن
پیش بینی هزینه های مشتری

ما بر پیش‌بینی هزینه‌های مشتری با استفاده از داده‌های تاریخی تمرکز می‌کنیم و فرآیند خودکار ساخت مدل‌ها را با استفاده از عملگر FP Predict plus نشان می‌دهیم. بازار کلاه قرمزی. ما از اپراتور FP Predict Plus از Red Hat Marketplace برای حل این مورد استفاده استفاده خواهیم کرد.

وقتی این الگو را تکمیل کردید، خواهید فهمید که چگونه:

به سرعت نمونه را در خوشه OpenShift® برای ساخت مدل تنظیم کنید.
داده ها را بلعیده و فرآیند FP Predict Plus را آغاز کنید.
مدل ها را با استفاده از FP Predict Plus بسازید و عملکرد را ارزیابی کنید.
بهترین مدل را انتخاب کنید و استقرار را کامل کنید.
پیش بینی های جدید را با استفاده از مدل مستقر ایجاد کنید.

جریان

Flow

کاربر با استفاده از نمونه ای از اپراتور FP Predict Plus به پلتفرم FP Predict Plus وارد می شود.
کاربر فایل داده را در قالب CSV در فضای ذخیره سازی Kubernetes در پلتفرم آپلود می کند.
کاربر فرآیند ساخت مدل را با استفاده از عملگر FP Predict Plus در خوشه OpenShift آغاز می کند و خطوط لوله ایجاد می کند.
کاربر خطوط لوله مختلف را از FP Predict Plus ارزیابی می کند و بهترین مدل را برای استقرار انتخاب می کند.
کاربر با استفاده از مدل مستقر شده پیش بینی های دقیقی را ایجاد می کند.