機械翻訳について

3.1 分類ユース・ケース

小売店には、顧客の行動と購入に関する情報があります。 現在、利用可能なデータを使用して、アフィニティ・カード・ロイヤルティ・プログラムへの肯定的な応答者になる可能性が最も高い顧客のタイプを分析および識別する必要があります。 高アフィニティ・カード・レスポンダは、ロイヤルティ・カードまたはアフィニティ・カード(ハイパー・レスポンダ)が与えられたとき、つまりアフィニティ・カード・プログラムの提供する割引よりも購入が増加する顧客として定義されます。 データ・セットでは、応答者は値1、非応答者は値0で指定されます。 このユース・ケースでは、Support Vector Machineモデルを使用してそのような顧客を識別する方法を説明します。

関連コンテンツ

トピック リンク
OML4R GitHubの例 分類サポート・ベクター・マシン(SVM)
サポート・ベクター・マシン(SVM)について 分類サポート・ベクター・マシン(SVM)
共有設定 共有設定

OML4Rユース・ケース・ジャーニを開始する前に、次のものがあることを確認してください:

  • データ・セット

    このユースケースに使用されるデータ・セットは、SHスキーマからのものです。 SHスキーマは、Oracle Autonomous Databaseで簡単にアクセスできます。 オンプレミス・データベースの場合、スキーマはインストール時にインストールされるか、スクリプトをダウンロードして手動でインストールできます。

  • データベース
    次のオプションからデータベースを選択または作成します:
  • 機械学習ツール
    データベースの選択内容に応じて、次のいずれかを実行します。
    • Oracle Autonomous Database用のOML Notebooksを使用します。
    • オンプレミス・データベースまたはDBCSに接続されたOracle SQL Developerをインストールして使用します。 SQL Developerのインストールおよび起動を参照してください。
  • その他の要件

    データ・マイニング権限(ADWに対して自動的に設定されます)。 Oracle Machine Learning for SQLのためのシステム権限を参照してください。

  • データのロード
    SHスキーマで使用可能なSUPPLEMENTARY_DEMOGRAPHICSデータ・セットを使用します。     ore.sync関数では、データベース表、ビューまたは問合せを表すore.frameプロキシ・オブジェクトをRに作成します。
  • データの探索
    データを探索して、データの品質を理解し、評価します。     このステージでは、データを評価してデータ内のデータ型およびノイズを識別します。 欠損値および数値外れ値を探します。
  • モデルの構築
    このモデルは、トレーニング・データから学習することで、データを事前定義済のカテゴリに分類するように設計されています。
  • 評価
    新しいデータでモデルを使用して予測を行う前に、まずモデルの精度を評価する必要があります。     様々なメソッドを使用してモデルを評価できます。
  • モデルのデプロイ
    機械学習モデルSVM_CLASSIFICATION_MODELは正常にトレーニングされ、最上位のデータベース・オブジェクトとしてスキーマに存在します。     このモデルはRから直接使用できますが、データベース・アプリケーションでは、SQL問合せから直接実行することもできます。

関連トピック

親トピック: ユースケース