Tổng kết
Mẫu mã dành cho nhà phát triển này sử dụng toán tử P Dự đoán Plus của Nền tảng Khả năng Tìm kiếm (FP) từ Red Hat® Marketplace để dự đoán chi tiêu của khách hàng bằng cách sử dụng dữ liệu lịch sử và thể hiện quy trình xây dựng mô hình tự động.
Mô tả
Học máy là một lĩnh vực nghiên cứu rộng lớn trùng lặp và kế thừa các ý tưởng từ nhiều lĩnh vực liên quan, chẳng hạn như trí tuệ nhân tạo. Trọng tâm của lĩnh vực này là học tập - tức là thu nhận các kỹ năng hoặc kiến thức từ kinh nghiệm. Thông thường nhất, điều này có nghĩa là tổng hợp các khái niệm hữu ích từ dữ liệu lịch sử. Như vậy, có rất nhiều kiểu học tập mà bạn có thể gặp phải khi là một người thực hành trong lĩnh vực máy học từ toàn bộ các lĩnh vực nghiên cứu đến các kỹ thuật cụ thể.
Hồi quy trong học máy và thống kê là một cách tiếp cận học tập có giám sát, trong đó chương trình máy tính học từ dữ liệu được cung cấp cho nó để đưa ra các quan sát hoặc dự đoán mới. Trong kỹ thuật này, biến mục tiêu có các giá trị liên tục từ XNUMX đến vô cùng. Ví dụ về các vấn đề hồi quy với dữ liệu lịch sử đã cho bao gồm:
- Dự đoán nhiệt độ
- Dự đoán doanh số bán hàng
- Dự đoán giá nhà
- Dự đoán chi tiêu của khách hàng
Chúng tôi sẽ tập trung vào dự đoán chi tiêu của khách hàng bằng cách sử dụng dữ liệu lịch sử và chứng minh quy trình tự động xây dựng mô hình bằng cách sử dụng toán tử FP P Dự đoán cộng từ Thị trường Mũ đỏ. Chúng tôi sẽ sử dụng toán tử FP P Dự đoán Plus từ Red Hat Marketplace để giải quyết trường hợp sử dụng này.
Khi bạn đã hoàn thành mẫu này, bạn sẽ hiểu cách:
- Nhanh chóng thiết lập phiên bản trên OpenShift® cluster để xây dựng mô hình.
- Nhập dữ liệu và bắt đầu quy trình FP P Dự đoán Plus.
- Xây dựng mô hình bằng FP P Dự đoán Plus và đánh giá hiệu suất.
- Chọn mô hình tốt nhất và hoàn thành việc triển khai.
- Tạo dự đoán mới bằng cách sử dụng mô hình đã triển khai.
Dòng chảy
- Người dùng đăng nhập vào nền tảng FP P Dự đoán Plus bằng cách sử dụng một phiên bản của toán tử FP P Dự đoán Plus.
- Người dùng tải tệp dữ liệu ở định dạng CSV lên bộ nhớ Kubernetes trên nền tảng.
- Người dùng bắt đầu quá trình xây dựng mô hình bằng cách sử dụng toán tử FP P Dự đoán Plus trên cụm OpenShift và tạo đường ống.
- Người dùng đánh giá các đường ống khác nhau từ FP P Dự đoán Plus và chọn mô hình tốt nhất để triển khai.
- Người dùng tạo dự đoán chính xác bằng cách sử dụng mô hình đã triển khai.
Hướng Dẫn
Tìm các bước chi tiết cho mẫu này trong README tập tin. Các bước sẽ chỉ cho bạn cách:
- Thêm dữ liệu
- Tạo một công việc
- Xem lại chi tiết công việc
- Phân tích kết quả
- Tải xuống tệp Kết quả & Mô hình
- Dự đoán bằng cách sử dụng dữ liệu mới
- Tạo công việc dự đoán
- Kiểm tra tóm tắt công việc
- Phân tích kết quả dự đoán công việc
- Tải xuống kết quả dự đoán
