Oprette og bruge Oracle Analytics-forudsigelsesmodeller

En Oracle Analytics-forudsigelsesmodel anvender en specifik algoritme på et datasæt for at forudsige værdier, forudsige klasser eller identificere grupper i dataene.

Du kan også bruge Oracle-modeller til maskinel indlæring til at forudsige data.

Oracle Analytics omfatter algoritmer, der kan hjælpe dig med at træne forudsigelsesmodeller til forskellige formål. Eksempler på algoritmer er klassificerings- og regressionstræer (CART), logistisk regression og K-Means.

Du bruger datafloweditoren til først at træne en model i et træningsdatasæt. Når forudsigelsesmodellen er trænet, anvender du den på de datasæt, som du vil forudsige.

Du kan gøre en trænet model tilgængelig for andre brugere, der kan anvende den på deres data for at forudsige værdier. I nogle tilfælde træner bestemte brugere modeller, og andre brugere anvender modellerne.

Anvend den færdige model på ukendte data eller data uden etiket, så du kan generere et datasæt i et dataflow eller føje en forudsigelsesvisualisering til en projektmappe.

Oracle Analytics omfatter algoritmer til alle dine behov, hvad angår modeller til maskinel indlæring: numerisk forudsigelse, multiklassificering, binær klassificering og klynger.

Oracles funktionalitet til maskinel indlæring er beregnet til erfarne analytikere, som ved, hvad de kigger efter i dataene, er bekendt med, hvordan de skal udføre forudsigelsesanalyser, og forstår forskellen mellem algoritmer.

Normalt opretter brugere flere forudsigelsesmodeller, sammenligner dem og vælger den, der har størst sandsynlighed for at returnere resultater, som opfylder deres kriterier og krav. Disse kriterier kan variere. Nogle gange vælger brugere for eksempel modeller med en bedre overordnet nøjagtighed, nogle gange vælger de modeller med de færreste type I-fejl (falsk positiv) og type II-fejl (falsk negativ), og nogle gange vælger de modeller, som returnerer resultater hurtigere og med et acceptabelt nøjagtighedsniveau, selvom resultaterne ikke er ideelle.

Oracle Analytics indeholder flere algoritmer til maskinel indlæring for hver type forudsigelse eller klassificering. Med disse algoritmer kan brugerne oprette mere end én model, bruge forskellige finindstillede parametre eller bruge forskellige træningsdatasæt som input og derefter vælge den bedste model. Brugerne kan vælge den bedste model ved at sammenligne og veje modellerne op mod deres egne kriterier. For at finde frem til den bedste model kan brugerne anvende modellen og visualisere resultaterne af beregningerne for at vurdere nøjagtigheden, eller de kan åbne og udforske de relaterede datasæt, som Oracle Analytics brugte modellen til at returnere.

Se denne tabel for at få mere at vide om de angivne algoritmer:

Når du bruger data fra Oracle Autonomous Data Warehouse, kan du bruge dets AutoML-funktion til at anbefale og træne en forudsigelsesmodel. AutoML analyserer dine data, beregner den bedste algoritme til brug og registrerer en forudsigelsesmodel i Oracle Analytics, så du kan foretage forudsigelser af dine data.

1. Klik på Opret på Startside, og klik derefter på Dataflow.
2. I Tilføj datasæt skal du vælge datasættet på basis af Oracle Autonomous Data Warehouse, der indeholder de data, som skal analyseres.
3. Klik på Tilføj et trin, og klik derefter på AutoML.
4. Klik på Vælg en kolonne for Mål, og vælg den datakolonne, der indeholder den værdi, som du forsøger at forudsige.
   Hvis du for eksempel skal forudsige medarbejderafgang, kan du vælge et felt med navnet ATTRITION, der angiver 'TRUE' eller 'FALSE' for, om medarbejdere har forladt en organisation eller ej.
   

   
   .png

   
   
5. Accepter den foreslåede Opgavetype og Metrik for modelprioritering, som Oracle Analytics anbefaler, eller vælg en anden algoritme.
6. Klik på Gem model, og angiv navnet på den genererede forudsigelsesmodel.
7. Klik på Gem, og angiv et navn til dataflowet.
8. Klik på Kør for at analysere dataene og generere en forudsigelsesmodel.
9. Klik på Naviger på startsiden, klik derefter på Maskinel indlæring, højreklik på den genererede model, og vælg Inspicer.

Analytikere af avancerede data opretter og træner forudsigelsesmodeller, så de kan bruge dem til at tage Oracle Machine Learning-algoritmer i brug for at udføre mining af datasæt, forudsige en målværdi eller identificere klasser af records. Brug datafloweditoren til at oprette og træne forudsigelsesmodeller og anvende dem på dine data.

1. Klik på Opret på Startside, og vælg derefter Dataflow.
2. Vælg det datasæt, som du vil bruge til at træne modellen med. Klik på Tilføj.
3. Klik på Tilføj et trin (+) i datafloweditoren.
   Når du har tilføjet et datasæt, kan du enten vælge at bygge modellen med alle kolonnerne i datasættet eller blot vælge de relevante kolonner. Brug af de relevante kolonner kræver en forståelse af datasættet. Ignorer kolonner, som ikke påvirker resultatets funktionsmåde, eller som indeholder overflødige oplysninger. Du kan nøjes med at vælge relevante kolonner ved at tilføje trinnet Vælg kolonner. Hvis du ikke er sikker på, hvilke kolonner der er relevante, kan du bruge alle kolonner.
4. Vælg et af trinnene i træningsmodellen (for eksempel Træn numerisk forudsigelse eller Træn klynger).
5. Vælg en algoritme, og klik på OK.
6. Hvis du arbejder med en overvåget model som forudsigelse eller klassificering, skal du klikke på Mål og vælge den kolonne, som du forsøger at forudsige. Hvis du for eksempel opretter en model til forudsigelse af en persons indtægt, skal du vælge kolonnen Indtægt.
   Hvis du arbejder med en ikke-overvåget model som klynger, kræves der ikke nogen målkolonne.
7. Ændr standardindstillingerne for din model for at finindstille og forbedre det forudsagte resultats nøjagtighed. Den model, som du arbejder med, bestemmer disse indstillinger.
8. Klik på trinnet Gem model, og indtast et navn og en beskrivelse.
9. Klik på Gem, indtast et navn og en beskrivelse af dataflowet, og klik på OK for at gemme dataflowet.
10. Klik på Kør dataflow for at oprette forudsigelsesmodellen på grundlag af inputdatasættet og de modelindstillinger, som du har angivet.

Når du har oprettet forudsigelsesmodellen og kørt dataflowet, kan du gennemse oplysninger om modellen for at vurdere, hvor nøjagtig den er. Brug disse oplysninger til gentagne gange at regulere modelindstillingerne for at forbedre nøjagtigheden og forudsige bedre resultater.

Hvis du opretter et scenarie i en projektmappe, anvender du en forudsigelsesmodel på projektmappens datasæt for at vise de tendenser og mønstre, som modellen var designet til at finde.

1. Klik på Opret på siden Startside, og klik derefter på Projektmappe.
2. Vælg det datasæt, som du vil bruge til oprettelse af projektmappen, og klik på Tilføj til projektmappe.
3. Klik på Tilføj i ruden Data, og vælg Opret scenarie.
4. Vælg en model i dialogboksen Opret scenarie - Vælg model, og klik på OK.
   Du kan kun anvende en forudsigelsesmodel. Du kan ikke anvende en Oracle-model til maskinel indlæring.
   Hvis et modelinput ikke kan matches med et dataelement, vises dialogboksen Map dine data til modellen.
5. Hvis dialogboksen Map dine data til modellen vises, skal du vælge det datasæt, der skal bruges sammen med modellen, i feltet Datasæt.
6. Match modelinputtet og dataelementerne efter behov. Klik på Udført.
   Scenariet vises som et datasæt i ruden Dataelementer.
7. Træk og slip elementer fra datasættet og modellen i kanvasset Visualiser.
8. Hvis du vil regulere scenariet, skal du højreklikke på scenariet i ruden Dataelementer og vælge Rediger scenarie.
9. Ændr datasættet, og opdater modelinputtet og mappingen af dataelementer efter behov.
10. Klik på Gem for at gemme projektmappen.