Bouw een machine learning-regressiemodel met behulp van Findability Platform Predict Plus

Heruitgegeven door Plato

volgers: 0

Samengevat

Dit ontwikkelaarscodepatroon maakt gebruik van de Findability Platform (FP) Predict Plus-operator van Red Hat® Marketplace om klantuitgaven te voorspellen op basis van historische gegevens en demonstreert het geautomatiseerde proces van het bouwen van modellen.

Omschrijving

Machine learning is een groot studiegebied dat overlapt met en ideeën overneemt uit veel verwante vakgebieden, zoals kunstmatige intelligentie. De focus van het vakgebied ligt op leren, dat wil zeggen het verwerven van vaardigheden of kennis uit ervaring. Meestal betekent dit het synthetiseren van bruikbare concepten uit historische gegevens. Als zodanig zijn er veel soorten leren die je als beoefenaar op het gebied van machinaal leren tegen kunt komen, van hele vakgebieden tot specifieke technieken.

Regressie in machinaal leren en statistiek is een leerbenadering onder toezicht waarbij het computerprogramma leert van de gegevens die het krijgt om nieuwe waarnemingen of voorspellingen te doen. Bij deze techniek heeft de doelvariabele continue waarden variërend van nul tot oneindig. Voorbeelden van regressieproblemen met bepaalde historische gegevens zijn onder meer:

Het voorspellen van de temperatuur
Verkoop voorspellen
Het voorspellen van de huizenprijs
Het voorspellen van klantuitgaven

We zullen ons concentreren op het voorspellen van klantuitgaven met behulp van historische gegevens en het geautomatiseerde proces van het bouwen van modellen demonstreren met behulp van FP Predict plus operator van Red Hat-marktplaats. We zullen de FP Predict Plus-operator van Red Hat Marketplace gebruiken om deze use case op te lossen.

Wanneer u dit patroon heeft voltooid, begrijpt u hoe u:

Stel de instantie snel in op het OpenShift®-cluster voor modelbouw.
Neem de gegevens op en start het FP Predict Plus-proces.
Bouw modellen met FP Predict Plus en evalueer de prestaties.
Kies het beste model en voltooi de implementatie.
Genereer nieuwe voorspellingen met behulp van het geïmplementeerde model.

Stroom

Flow

De gebruiker logt in op het FP Predict Plus-platform met behulp van een exemplaar van de FP Predict Plus-operator.
De gebruiker uploadt het gegevensbestand in CSV-formaat naar de Kubernetes-opslag op het platform.
De gebruiker initieert het modelbouwproces met behulp van de FP Predict Plus-operator op het OpenShift-cluster en creëert pijplijnen.
De gebruiker evalueert verschillende pijplijnen van FP Predict Plus en selecteert het beste model voor implementatie.
De gebruiker genereert nauwkeurige voorspellingen door het geïmplementeerde model te gebruiken.