总结
该开发人员代码模式使用RedHat®Marketplace的Findability Platform(FP)Predict Plus运算符使用历史数据来预测客户支出,并演示构建模型的自动化过程。
产品描述
机器学习是一个很大的研究领域,它与许多相关领域(如人工智能)重叠并继承了它们的思想。 该领域的重点是学习-即从经验中获得技能或知识。 最常见的是,这意味着从历史数据中综合有用的概念。 因此,从机器学习的整个领域到特定的技术,您在机器学习领域可能会遇到许多类型的学习。
机器学习和统计数据的回归是一种有监督的学习方法,其中计算机程序从提供给它的数据中学习以做出新的观察或预测。 在此技术中,目标变量具有从零到无穷的连续值。 具有给定历史数据的回归问题的示例包括:
- 预测温度
- 预测销售
- 预测房价
- 预测客户支出
我们将专注于使用历史数据预测客户支出,并使用FP Predict plus运营商演示自动构建模型的过程。 红帽市场。 我们将使用Red Hat Marketplace中的FP Predict Plus运算符来解决此用例。
完成此模式后,您将了解如何:
- 在OpenShift®集群上快速设置实例以进行模型构建。
- 摄取数据并启动FP Predict Plus流程。
- 使用FP Predict Plus构建模型并评估性能。
- 选择最佳模型并完成部署。
- 使用部署的模型生成新的预测。
自动化流程
- 用户使用FP Predict Plus运算符的实例登录FP Predict Plus平台。
- 用户将CSV格式的数据文件上传到平台上的Kubernetes存储。
- 用户使用OpenShift集群上的FP Predict Plus运算符启动模型构建过程,并创建管道。
- 用户从FP Predict Plus评估不同的管道,并选择最佳的部署模型。
- 用户通过使用部署的模型来生成准确的预测。
说明
在中找到此模式的详细步骤 读我 文件。 这些步骤将向您展示如何:
- 添加数据
- 创造工作
- 查看工作详细信息
- 分析结果
- 下载结果和模型文件
- 使用新数据进行预测
- 创建预测工作
- 检查工作摘要
- 分析工作预测结果
- 下载预测结果