使用机器学习模型对流数据进行评分

这是 学习路径：IBM Streams入门.

总结

在这种开发人员代码模式中，我们将流式传输在线购物数据，并使用该数据来跟踪每个客户已添加到购物车的产品。 我们将使用scikit-learn建立k均值聚类模型，根据客户购物车的内容对其进行分组。 群集分配可用于预测要推荐的其他产品。

产品描述

我们的应用程序将在IBM CloudPak®for Data上使用IBM Streams构建。 IBM Streams提供了一个称为Streams Flows的内置IDE，它允许您直观地创建一个流应用程序。 IBM Cloud Pak for Data平台提供了额外的支持，例如与多个数据源集成，内置分析，Jupyter Notebook和机器学习。

为了构建和部署我们的机器学习模型，我们将使用IBMWatson®Studio中的Jupyter Notebook和Watson机器学习实例。 在我们的示例中，两者都在IBM Cloud Pak for Data上运行。

使用Streams Flows编辑器，我们将使用以下运算符创建一个流应用程序：

• 产生样本点击流数据的Source运算符
• 仅保留“添加到购物车”事件的Filter运算符
• 一个代码运算符，我们使用Python代码将购物车中的物品排列到一个输入数组中以进行评分
• WML部署操作员，将客户分配给集群
• 调试运算符以演示结果

自动化流程

1. 用户构建和部署机器学习模型。
2. 用户创建并运行IBM Streams应用程序。
3. Streams Flow UI会显示实际的流式传输，过滤和评分。

说明

准备开始了吗？ 的 读我 说明了以下步骤：

1. 验证对Cloud Pak for Data上的IBM Streams实例的访问。
2. 在Cloud Pak for Data中创建一个新项目。
3. 建立并存储模型。
4. 将部署空间与项目相关联。
5. 部署模型。
6. 创建并运行Streams Flow应用程序。

恭喜你！ 此代码模式总结了 IBM Streams系列入门。 除了解释IBM Streams之外，我们还展示了如何：

• 在不编写代码的情况下创建您的第一个IBM Streams应用程序
• 构建一个Apache Kafka流媒体应用程序
• 使用Python API构建流式应用
• 使用机器学习模型对流数据进行评分

您现在应该对IBM Streams及其某些功能有基本的了解。 如果您想了解更多，请看一下 IBM Streams的流分析简介 视频系列。