使用Findability Platform Predict Plus构建机器学习回归模型

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

1. 用户使用FP Predict Plus运算符的实例登录FP Predict Plus平台。
2. 用户将CSV格式的数据文件上传到平台上的Kubernetes存储。
3. 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。
4. 用户从FP Predict Plus评估不同的管道，并选择最佳的部署模型。
5. 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：

1. 添加数据
2. 创造工作
3. 查看工作详细信息
4. 分析结果
5. 下载结果和模型文件
6. 使用新数据进行预测
7. 创建预测工作
8. 检查工作摘要
9. 分析工作预测结果
10. 下载预测结果

来源：https://developer.ibm.com/patterns/use-redhat-marketplace-operator-fp-predict-plus-to-predict-sales/