Build A Machine Learning Regression Model Using Findability Platform Predict Plus

Переиздано Платоном

Читают: 0

Обзор

Этот шаблон кода разработчика использует оператор Predict Plus платформы Findability (FP) из Red Hat® Marketplace для прогнозирования расходов клиентов с использованием исторических данных и демонстрирует автоматизированный процесс построения моделей.

Описание

Машинное обучение - это обширная область исследований, которая пересекается и наследует идеи из многих смежных областей, таких как искусственный интеллект. Основное внимание в этой области уделяется обучению, то есть приобретению навыков или знаний на основе опыта. Чаще всего это означает синтез полезных концепций из исторических данных. Таким образом, существует множество типов обучения, с которыми вы можете столкнуться как практик в области машинного обучения, от целых областей обучения до конкретных методов.

Регрессия в машинном обучении и статистике - это подход к обучению с учителем, при котором компьютерная программа учится на предоставленных ей данных, чтобы делать новые наблюдения или прогнозы. В этом методе целевая переменная имеет непрерывные значения в диапазоне от нуля до бесконечности. Примеры проблем регрессии с заданными историческими данными включают:

Прогнозирование температуры
Прогнозирование продаж
Прогнозирование стоимости дома
Прогнозирование расходов клиентов

Мы сосредоточимся на прогнозировании расходов клиентов с использованием исторических данных и продемонстрируем автоматизированный процесс построения моделей с использованием оператора FP Predict plus из Торговая площадка Red Hat. Мы воспользуемся оператором FP Predict Plus из Red Hat Marketplace для решения этого варианта использования.

Когда вы закончите этот узор, вы поймете, как:

Быстро настройте экземпляр в кластере OpenShift® для построения модели.
Получите данные и запустите процесс FP Predict Plus.
Создавайте модели с помощью FP Predict Plus и оценивайте производительность.
Выберите лучшую модель и завершите развертывание.
Создавайте новые прогнозы, используя развернутую модель.

Поток

Flow

Пользователь входит в платформу FP Predict Plus, используя экземпляр оператора FP Predict Plus.
Пользователь загружает файл данных в формате CSV в хранилище Kubernetes на платформе.
Пользователь инициирует процесс построения модели с помощью оператора FP Predict Plus в кластере OpenShift и создает конвейеры.
Пользователь оценивает различные конвейеры из FP Predict Plus и выбирает лучшую модель для развертывания.
Пользователь генерирует точные прогнозы, используя развернутую модель.