Oppsummering
Dette utviklerkodemønsteret bruker Findability Platform (FP) Predict Plus-operatør fra Red Hat® Marketplace for å forutsi kundeforbruk ved å bruke historiske data og demonstrerer den automatiserte prosessen med å bygge modeller.
Beskrivelse
Maskinlæring er et stort fagfelt som overlapper med og arver ideer fra mange relaterte felt, for eksempel kunstig intelligens. Fokus for feltet er læring - det vil si å tilegne seg ferdigheter eller kunnskap fra erfaring. Oftest betyr dette å syntetisere nyttige konsepter fra historiske data. Som sådan er det mange typer læring du kan møte som en utøver innen maskinlæring fra hele studieretninger til spesifikke teknikker.
Regresjon i maskinlæring og statistikk er en overvåket læringstilnærming der dataprogrammet lærer av dataene som er gitt til det for å gjøre nye observasjoner eller spådommer. I denne teknikken har målvariabelen kontinuerlige verdier fra null til uendelig. Eksempler på regresjonsproblemer med gitte historiske data inkluderer:
- Forutsi temperaturen
- Forutsi salg
- Forutsi boligprisen
- Forutsi kundeforbruk
Vi vil fokusere på å forutsi kundeforbruk ved å bruke historiske data og demonstrere den automatiserte prosessen med å bygge modeller ved å bruke FP Predict plus-operatør fra Red Hat Marketplace. Vi vil bruke FP Predict Plus-operatøren fra Red Hat Marketplace for å løse denne brukssaken.
Når du har fullført dette mønsteret, vil du forstå hvordan du:
- Sett opp forekomsten raskt på OpenShift®-klyngen for modellbygging.
- Ta inn dataene og start FP Predict Plus-prosessen.
- Bygg modeller med FP Predict Plus og evaluer ytelsen.
- Velg den beste modellen og fullfør distribusjonen.
- Generer nye spådommer ved hjelp av den distribuerte modellen.
Flow
- Brukeren logger på FP Predict Plus-plattformen ved å bruke en forekomst av FP Predict Plus-operatøren.
- Brukeren laster opp datafilen i CSV-formatet til Kubernetes-lagringen på plattformen.
- Brukeren starter modellbyggingsprosessen ved å bruke FP Predict Plus-operatøren på OpenShift-klyngen og oppretter rørledninger.
- Brukeren evaluerer forskjellige pipelines fra FP Predict Plus og velger den beste modellen for distribusjon.
- Brukeren genererer nøyaktige spådommer ved å bruke den distribuerte modellen.
Instruksjoner
Finn de detaljerte trinnene for dette mønsteret i README fil. Trinnene viser deg hvordan du gjør:
- Legg til dataene
- Skap en jobb
- Se gjennom jobbdetaljene
- Analyser resultater
- Last ned resultat- og modellfilen
- Prediksjon ved hjelp av nye data
- Lag forutsig jobb
- Sjekk jobbsammendrag
- Analyser resultatene av forutsig jobb
- Last ned anslåtte resultater
