Sammanfattning
Detta utvecklarkodmönster använder Findability Platform (FP) Predict Plus-operatör från Red Hat® Marketplace för att förutsäga kundutgifter med hjälp av historiska data och demonstrerar den automatiserade processen att bygga modeller.
Beskrivning
Maskininlärning är ett stort studieområde som överlappar med och ärver idéer från många närliggande områden, till exempel artificiell intelligens. Fokus för fältet är lärande - det vill säga att skaffa färdigheter eller kunskap från erfarenhet. Vanligtvis innebär detta att man syntetiserar användbara koncept från historiska data. Som sådan finns det många typer av lärande du kan stöta på som utövare inom området maskininlärning från hela studieområden till specifika tekniker.
Regression i maskininlärning och statistik är en övervakad inlärningsmetod där datorprogrammet lär sig av de data som ges till det för att göra nya observationer eller förutsägelser. I denna teknik har målvariabeln kontinuerliga värden som sträcker sig från noll till oändligt. Exempel på regressionsproblem med givna historiska data inkluderar:
- Förutsäga temperaturen
- Förutsäga försäljning
- Förutsäga huspriset
- Förutsäga kundernas utgifter
Vi kommer att fokusera på att förutsäga kundutgifter med hjälp av historiska data och demonstrera den automatiserade processen att bygga modeller med FP Predict plus-operatör från Red Hat Marketplace. Vi kommer att använda FP Predict Plus-operatören från Red Hat Marketplace för att lösa detta användningsfall.
När du har slutfört det här mönstret kommer du att förstå hur du:
- Ställ snabbt in instansen på OpenShift®-kluster för modellbyggande.
- Ta in data och starta FP Predict Plus-processen.
- Bygg modeller med FP Predict Plus och utvärdera prestandan.
- Välj den bästa modellen och slutför distributionen.
- Generera nya förutsägelser med den distribuerade modellen.
Flöde
- Användaren loggar in på FP Predict Plus-plattformen med en instans av FP Predict Plus-operatören.
- Användaren laddar upp datafilen i CSV-format till Kubernetes-lagringen på plattformen.
- Användaren initierar modellbyggnadsprocessen med FP Predict Plus-operatören på OpenShift-klustret och skapar pipelines.
- Användaren utvärderar olika rörledningar från FP Predict Plus och väljer den bästa modellen för distribution.
- Användaren genererar korrekta förutsägelser med hjälp av den distribuerade modellen.
Instruktioner
Hitta de detaljerade stegen för detta mönster i README fil. Stegen visar hur du gör:
- Lägg till data
- Skapa ett jobb
- Granska jobbet
- Analysera resultat
- Ladda ner resultat- och modellfilen
- Förutsägelse med hjälp av nya data
- Skapa förutsäg jobb
- Kontrollera jobbsammanfattningen
- Analysera resultat av förutsäg jobb
- Ladda ner förutspådda resultat
