Findability Platform Predict Plus を使用して機械学習回帰モデルを構築する

まとめ

この開発者コード・パターンは、Red Hat® Marketplace の Findability Platform (FP) Predict Plus オペレーターを使用して、履歴データを使用して顧客の支出を予測し、モデル構築の自動プロセスを示します。

説明

機械学習は、人工知能などの多くの関連分野と重なり、そのアイデアを継承する大きな研究分野です。 この分野の焦点は学習です。つまり、経験からスキルや知識を習得することです。 最も一般的には、これは履歴データから有用な概念を合成することを意味します。 このように、機械学習の分野では、研究分野全体から特定の技術に至るまで、実践者として遭遇する可能性のある多くの種類の学習があります。

機械学習と統計における回帰は、コンピューター プログラムが与えられたデータから学習して、新しい観察や予測を行う教師あり学習アプローチです。 この手法では、ターゲット変数はゼロから無限大までの範囲の連続値を持ちます。 特定の履歴データを使用した回帰問題の例には、次のものがあります。

• 気温の予測
• 売上予測
• 住宅価格の予測
• 顧客支出の予測

履歴データを使用して顧客の支出を予測することに焦点を当て、FP Predict と のオペレーターを使用してモデルを構築する自動プロセスを示します。 RedHatマーケットプレイス. Red Hat Marketplace の FP Predict Plus オペレーターを使用して、このユースケースを解決します。

このパターンを完了すると、次の方法を理解できるようになります。

• モデル構築用に OpenShift® クラスターにインスタンスをすばやくセットアップします。
• データを取り込んで、FP PredictPlusプロセスを開始します。
• FP Predict Plus を使用してモデルを構築し、パフォーマンスを評価します。
• 最適なモデルを選択して、展開を完了します。
• デプロイされたモデルを使用して新しい予測を生成します。

Flow

1. ユーザーは、FP Predict Plus オペレーターのインスタンスを使用して FP Predict Plus プラットフォームにログインします。
2. ユーザーは、CSV 形式のデータ ファイルをプラットフォーム上の Kubernetes ストレージにアップロードします。
3. ユーザーは、OpenShift クラスターで FP Predict Plus オペレーターを使用してモデル構築プロセスを開始し、パイプラインを作成します。
4. ユーザーは、FP Predict Plusのさまざまなパイプラインを評価し、展開に最適なモデルを選択します。
5. ユーザーは、展開されたモデルを使用して正確な予測を生成します。

説明書

このパターンの詳細な手順については、 README ファイル。 手順では、次の方法について説明します。

1. データを追加する
2. ジョブを作成する
3. ジョブの詳細を確認する
4. 結果を分析する
5. 結果とモデル ファイルをダウンロードする
6. 新しいデータを使用した予測
7. 予測ジョブの作成
8. 仕事の概要を確認する
9. 予測ジョブの結果を分析する
10. 予測結果をダウンロード