Підсумки
Цей шаблон коду розробника використовує оператора Findability Platform (FP) Predict Plus з Red Hat® Marketplace для прогнозування витрат клієнтів за допомогою історичних даних і демонструє автоматизований процес створення моделей.
Опис
Машинне навчання — це велика область дослідження, яка перетинається з багатьма суміжними галузями, такими як штучний інтелект, і успадковує ідеї з них. У центрі уваги галузі є навчання, тобто отримання навичок або знань з досвіду. Найчастіше це означає синтез корисних понять з історичних даних. Таким чином, є багато типів навчання, з якими ви можете зіткнутися як практик у сфері машинного навчання від цілих галузей навчання до конкретних методів.
Регресія в машинному навчанні та статистиці — це підхід до навчання з наглядом, за якого комп’ютерна програма вивчає дані, які їй надаються, щоб робити нові спостереження або передбачення. У цій техніці цільова змінна має безперервні значення в діапазоні від нуля до нескінченності. Приклади проблем регресії з наведеними історичними даними включають:
- Прогнозування температури
- Прогнозування продажів
- Прогнозування ціни будинку
- Прогнозування витрат клієнтів
Ми зосередимося на прогнозуванні витрат клієнтів з використанням історичних даних і продемонструємо автоматизований процес побудови моделей за допомогою оператора FP Predict plus від Ринок Red Hat. Ми будемо використовувати оператор FP Predict Plus з Red Hat Marketplace, щоб вирішити цей варіант використання.
Коли ви завершите цей шаблон, ви зрозумієте, як:
- Швидко налаштуйте екземпляр на кластері OpenShift® для створення моделі.
- Введіть дані та запустіть процес FP Predict Plus.
- Створюйте моделі за допомогою FP Predict Plus та оцінюйте продуктивність.
- Виберіть найкращу модель і завершите розгортання.
- Генеруйте нові прогнози за допомогою розгорнутої моделі.
Потік
- Користувач входить на платформу FP Predict Plus за допомогою екземпляра оператора FP Predict Plus.
- Користувач завантажує файл даних у форматі CSV в сховище Kubernetes на платформі.
- Користувач ініціює процес побудови моделі за допомогою оператора FP Predict Plus на кластері OpenShift і створює конвеєри.
- Користувач оцінює різні конвеєри від FP Predict Plus і вибирає найкращу модель для розгортання.
- Користувач створює точні прогнози за допомогою розгорнутої моделі.
інструкції
Знайдіть докладні кроки для цього шаблону в README файл. Ці кроки покажуть вам, як:
- Додайте дані
- Створити роботу
- Перегляньте деталі роботи
- Проаналізуйте результати
- Завантажте файл результатів і моделі
- Прогнозування з використанням нових даних
- Створити прогнозну роботу
- Перевірте резюме роботи
- Проаналізуйте результати прогнозної роботи
- Завантажте прогнозовані результати