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
- Użytkownik loguje się do platformy FP Predict Plus za pomocą instancji operatora FP Predict Plus.
- Użytkownik przesyła plik danych w formacie CSV do magazynu Kubernetes na platformie.
- Użytkownik inicjuje proces budowy modelu za pomocą operatora FP Predict Plus na klastrze OpenShift i tworzy potoki.
- Użytkownik ocenia różne potoki z FP Predict Plus i wybiera najlepszy model do wdrożenia.
- Użytkownik generuje dokładne prognozy przy użyciu wdrożonego modelu.
Instrukcje
Znajdź szczegółowe kroki dla tego wzoru w README plik. Kroki pokażą Ci, jak:
- Dodaj dane
- Utwórz pracę
- Przejrzyj szczegóły pracy
- Przeanalizuj wyniki
- Pobierz plik Wyniki i model
- Prognozowanie na podstawie nowych danych
- Utwórz zadanie przewidywania
- Sprawdź podsumowanie pracy
- Przeanalizuj wyniki przewidywanej pracy
- Pobierz przewidywane wyniki