Zbuduj model regresji uczenia maszynowego przy użyciu platformy Findability Predict Plus

Podsumowanie

Ten wzorzec kodu programisty wykorzystuje operatora Findability Platform (FP) Predict Plus z Red Hat® Marketplace do przewidywania wydatków klientów na podstawie danych historycznych i demonstruje zautomatyzowany proces budowania modeli.

Opis

Uczenie maszynowe to obszerna dziedzina nauki, która pokrywa się i dziedziczy idee z wielu pokrewnych dziedzin, takich jak sztuczna inteligencja. Celem tej dziedziny jest uczenie się — to znaczy zdobywanie umiejętności lub wiedzy z doświadczenia. Najczęściej oznacza to syntezę użytecznych koncepcji z danych historycznych. W związku z tym istnieje wiele rodzajów uczenia się, z którymi możesz się spotkać jako praktyk w dziedzinie uczenia maszynowego, od całych dziedzin nauki po określone techniki.

Regresja w uczeniu maszynowym i statystyce to podejście do nadzorowanego uczenia się, w którym program komputerowy uczy się na podstawie przekazanych mu danych, aby dokonywać nowych obserwacji lub prognoz. W tej technice zmienna docelowa ma ciągłe wartości w zakresie od zera do nieskończoności. Przykłady problemów regresji z danymi historycznymi obejmują:

• Przewidywanie temperatury
• Przewidywanie sprzedaży
• Przewidywanie ceny domu
• Przewidywanie wydatków klientów

Skupimy się na przewidywaniu wydatków klientów na podstawie danych historycznych oraz zademonstrujemy zautomatyzowany proces budowania modeli z wykorzystaniem FP Predict plus operator from Rynek czerwonych kapeluszy. Do rozwiązania tego przypadku użyjemy operatora FP Predict Plus z Red Hat Marketplace.

Po ukończeniu tego wzoru zrozumiesz, jak:

• Szybko skonfiguruj instancję w klastrze OpenShift® do budowania modelu.
• Zgromadź dane i rozpocznij proces FP Predict Plus.
• Twórz modele za pomocą FP Predict Plus i oceniaj wydajność.
• Wybierz najlepszy model i zakończ wdrożenie.
• Generuj nowe prognozy przy użyciu wdrożonego modelu.

Przepływ

1. Użytkownik loguje się do platformy FP Predict Plus za pomocą instancji operatora FP Predict Plus.
2. Użytkownik przesyła plik danych w formacie CSV do magazynu Kubernetes na platformie.
3. Użytkownik inicjuje proces budowy modelu za pomocą operatora FP Predict Plus na klastrze OpenShift i tworzy potoki.
4. Użytkownik ocenia różne potoki z FP Predict Plus i wybiera najlepszy model do wdrożenia.
5. Użytkownik generuje dokładne prognozy przy użyciu wdrożonego modelu.

Instrukcje

Znajdź szczegółowe kroki dla tego wzoru w README plik. Kroki pokażą Ci, jak:

1. Dodaj dane
2. Utwórz pracę
3. Przejrzyj szczegóły pracy
4. Przeanalizuj wyniki
5. Pobierz plik Wyniki i model
6. Prognozowanie na podstawie nowych danych
7. Utwórz zadanie przewidywania
8. Sprawdź podsumowanie pracy
9. Przeanalizuj wyniki przewidywanej pracy
10. Pobierz przewidywane wyniki

Źródło: https://developer.ibm.com/patterns/use-redhat-marketplace-operator-fp-predict-plus-to-predict-sales/