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