Δημιουργία και χρήση προγνωστικών μοντέλων Oracle Analytics

Ένα προγνωστικό μοντέλο του Oracle Analytics εφαρμόζει έναν συγκεκριμένο αλγόριθμο σε ένα σύνολο δεδομένων την πρόβλεψη τιμών και κλάσεων, ή την αναγνώριση ομάδων στα δεδομένα.

Μπορείτε επίσης να χρησιμοποιήσετε μοντέλα μηχανικής εκμάθησης Oracle για την πρόβλεψη δεδομένων.

Το Oracle Analytics περιλαμβάνει αλγόριθμους που σας βοηθούν να εκπαιδεύετε προγνωστικά μοντέλα για διάφορους σκοπούς. Παραδείγματα αλγόριθμων είναι τα δέντρα ταξινόμησης και παλινδρόμησης (CART), η λογιστική παλινδρόμηση και το k-means.

Χρησιμοποιήστε τη λειτουργία επεξεργασίας της ροής δεδομένων για να εκπαιδεύσετε ένα μοντέλο πρώτα σε ένα σύνολο δεδομένων εκπαίδευσης. Μετά την εκπαίδευση του προγνωστικού μοντέλου, θα το εφαρμόσετε στα σύνολα δεδομένων που θέλετε να προβλέψετε.

Ένα εκπαιδευμένο μοντέλο μπορείτε να το καταστήσετε διαθέσιμο σε άλλους χρήστες, οι οποίοι μπορούν να το εφαρμόσουν στα δεδομένα τους για να προβλέψουν τιμές. Σε ορισμένες περιπτώσεις, είναι άλλοι οι χρήστες που εκπαιδεύουν τα μοντέλα και άλλοι οι χρήστες που τα εφαρμόζουν.

Χρησιμοποιήστε το οριστικοποιημένο μοντέλο για να βαθμολογήσετε άγνωστα ή χωρίς ετικέτα δεδομένα για τη δημιουργία ενός συνόλου δεδομένων εντός μιας ροής δεδομένων ή για την προσθήκη μιας απεικόνισης πρόβλεψης σε ένα βιβλίο εργασίας.

Το Oracle Analytics παρέχει αλγόριθμους για οποιαδήποτε ανάγκη δημιουργίας μοντέλων εκμάθησης μηχανής: αριθμητικές προβλέψεις, πολλαπλή ταξινόμηση, δυαδική ταξινόμηση και δημιουργία συμπλεγμάτων.

Η λειτουργικότητα εκμάθησης μηχανής της Oracle προορίζεται για αναλυτές σύνθετων δεδομένων που έχουν εικόνα για το τι αναζητούν στα δεδομένα τους, είναι εξοικειωμένοι με την πρακτική των προγνωστικών αναλύσεων και κατανοούν τις διαφορές μεταξύ αλγόριθμων.

Συνήθως οι χρήστες θέλουν να δημιουργούν πολλαπλά προγνωστικά μοντέλα, να τα συγκρίνουν και να επιλέγουν εκείνο που είναι πιο πιθανό να παρέχει αποτελέσματα που ικανοποιούν τα κριτήρια και τις απαιτήσεις τους. Αυτά τα κριτήρια μπορεί να ποικίλλουν. Για παράδειγμα, ορισμένες φορές οι χρήστες επιλέγουν μοντέλα που έχουν καλύτερη συνολική ακρίβεια ή μοντέλα που έχουν τον ελάχιστο τύπο σφαλμάτων I (ψευδών θετικών) και II (ψευδών αρνητικών), και άλλες φορές επιλέγουν μοντέλα που επιστρέφουν ταχύτερα αποτελέσματα και με αποδεκτό επίπεδο ακρίβειας, ακόμη κι αν τα αποτελέσματα δεν είναι ιδανικά.

Το Oracle Analytics περιέχει πολλαπλούς αλγόριθμους εκμάθησης μηχανής για κάθε είδος πρόβλεψης ή ταξινόμησης. Με αυτούς τους αλγόριθμους, οι χρήστες μπορούν να δημιουργούν περισσότερα από ένα μοντέλα ή να χρησιμοποιούν διαφορετικές βελτιστοποιημένες παραμέτρους ή να χρησιμοποιούν διαφορετικά σύνολα δεδομένα εκπαίδευσης για είσοδο και έπειτα να επιλέγουν το καλύτερο μοντέλο. Ο χρήστης μπορεί να επιλέξει το καλύτερο μοντέλο συγκρίνοντας και ζυγίζοντας μοντέλα με βάση τα δικά του κριτήρια. Για να καθορίσουν το καλύτερο μοντέλο, οι χρήστες μπορούν να εφαρμόσουν το μοντέλο και να απεικονίσουν τα αποτελέσματα των υπολογισμών για να καθοριστεί η ακρίβεια, ή μπορούν να ανοίξουν και να εξερευνήσουν τα σχετικά σύνολα δεδομένων που χρησιμοποίησε το Oracle Analytics στο μοντέλο εξόδου.

Συμβουλευτείτε αυτόν τον πίνακα για να μάθετε σχετικά με τους παρεχόμενους αλγόριθμους:

Όταν χρησιμοποιείτε δεδομένα από το Oracle Autonomous Data Warehouse, μπορείτε να χρησιμοποιήσετε τη δυνατότητα AutoML για να προτείνει και να εκπαιδεύσει ένα προγνωστικό μοντέλο. Το AutoML αναλύει τα δεδομένα σας, υπολογίζει τον καλύτερο αλγόριθμο για χρήση και εγγράφει ένα προγνωστικό μοντέλο στο Oracle Analytics, ώστε να μπορείτε να κάνετε προβλέψεις με βάση τα δεδομένα σας.

1. Στην Αρχική σελίδα, κάντε κλικ στην επιλογή Δημιουργία και έπειτα κάντε κλικ στην επιλογή Ροή δεδομένων.
2. Στη σελίδα Προσθήκη συνόλου δεδομένων, επιλέξτε το σύνολο δεδομένων με βάση το Oracle Autonomous Data Warehouse που περιέχει τα δεδομένα προς ανάλυση.
3. Κάντε κλικ στην Προσθήκη βήματος και έπειτα στο AutoML.
4. Για το πεδίο Προορισμός, κάντε κλικ στην Επιλογή στήλης και επιλέξτε τη στήλη δεδομένων που περιέχει την τιμή που θέλετε να προβλέψετε.
   Για παράδειγμα, για να προβλέψετε την απώλεια προσωπικού, μπορείτε να επιλέξετε ένα πεδίο που ονομάζεται ΑΠΩΛΕΙΑ και υποδεικνύει με τις τιμές 'TRUE' ή 'FALSE' εάν οι υπάλληλοι έχουν αποχωρήσει από τον οργανισμό.
   

   
   .png''

   
   
5. Αποδεχτείτε τις τιμές στα πεδία Τύπος εργασίας και Δείκτης μέτρησης κατάταξης μοντέλου που προτείνει το Oracle Analytics ή επιλέξτε διαφορετικό αλγόριθμο.
6. Κάντε κλικ στην Αποθήκευση μοντέλου και καθορίστε το όνομα του μοντέλου πρόβλεψης που θα δημιουργηθεί.
7. Κάντε κλικ στην Αποθήκευση και καθορίστε ένα όνομα για τη ροή δεδομένων.
8. Κάντε κλικ στην Εκτέλεση για να αναλύσετε τα δεδομένα και να δημιουργήσετε ένα προγνωστικό μοντέλο.
9. Από την Αρχική σελίδα, κάντε κλικ στην επιλογή Πλοήγηση, έπειτα στη Μηχανική εκμάθηση , κάντε δεξί κλικ στο δημιουργημένο μοντέλο και επιλέξτε Επιθεώρηση.

Οι αναλυτές σύνθετων δεδομένων δημιουργούν και εκπαιδεύουν προγνωστικά μοντέλα, προκειμένου να τα χρησιμοποιούν για την ανάπτυξη αλγόριθμων του Oracle Machine Learning με σκοπό την εξόρυξη συνόλων δεδομένων, την πρόβλεψη τιμών-στόχων ή την αναγνώριση κλάσεων εγγραφών. Χρησιμοποιήστε το πρόγραμμα επεξεργασίας ροής δεδομένων, για να δημιουργήσετε προγνωστικά μοντέλα, να τα εκπαιδεύσετε και να τα εφαρμόσετε στα δεδομένα σας.

1. Στην Αρχική σελίδα, κάντε κλικ στην επιλογή Δημιουργία και έπειτα επιλέξτε Ροή δεδομένων.
2. Επιλέξτε το σύνολο δεδομένων που θέλετε να χρησιμοποιήσετε για την εκπαίδευση του μοντέλου. Κάντε κλικ στην επιλογή "Προσθήκη".
3. Στη λειτουργία επεξεργασίας ροής δεδομένων, κάντε κλικ στην επιλογή Προσθήκη βήματος (+).
   Μετά την προσθήκη ενός συνόλου δεδομένων, μπορείτε είτε να χρησιμοποιήσετε όλες τις στήλες στο σύνολο δεδομένων για να δομήσετε το μοντέλο είτε να επιλέξετε μόνο τις σχετικές στήλες. Η επιλογή των σχετικών στηλών απαιτεί την κατανόηση του συνόλου δεδομένων. Παραβλέψτε στήλες που γνωρίζετε ότι δεν θα επηρεάσουν τη συμπεριφορά του αποτελέσματος ή ότι περιέχουν περιττές πληροφορίες. Μπορείτε να επιλέξετε τις σχετικές μόνο στήλες προσθέτοντας το βήμα Επιλογή στηλών. Εάν δεν είστε σίγουροι ποιες είναι οι σχετικές στήλες, τότε χρησιμοποιήστε όλες τις στήλες.
4. Επιλέξτε ένα από τα βήματα εκπαίδευσης μοντέλων (π.χ. Εκπαίδευση αριθμητικών προβλέψεων ή Εκπαίδευση δημιουργίας συμπλεγμάτων).
5. Επιλέξτε έναν αλγόριθμοι και πατήστε ΟΚ.
6. Εάν εργάζεστε με ένα εποπτευόμενο μοντέλο όπως πρόβλεψη ή ταξινόμηση, τότε κάντε κλικ στην επιλογή Προορισμός και επιλέξτε τη στήλη για την οποία επιχειρείτε την πρόβλεψη. Για παράδειγμα, εάν δημιουργείτε ένα μοντέλο για να προβλέψετε το εισόδημα ενός ατόμου, τότε επιλέξτε τη στήλη Εισόδημα.
   Εάν εργάζεστε με ένα μη εποπτευόμενο μοντέλο όπως δημιουργία συμπλεγμάτων, τότε δεν απαιτείται στήλη προορισμού.
7. Αλλάξτε τις προεπιλεγμένες ρυθμίσεις για το μοντέλο σας για να βελτιστοποιήσετε την ακρίβεια του προβλεπόμενου αποτελέσματος. Το μοντέλο με το οποίο εργάζεστε καθορίζει αυτές τις ρυθμίσεις.
8. Κάντε κλικ στο βήμα Αποθήκευση μοντέλου και καταχωρίστε ένα όνομα και μια περιγραφή.
9. Κάντε κλικ στην επιλογή Αποθήκευση, εισαγάγετε ένα όνομα και μια περιγραφή της ροής δεδομένων και πατήστε OK για να αποθηκεύσετε τη ροή δεδομένων.
10. Κάντε κλικ στην επιλογή Εκτέλεση ροής δεδομένων για να δημιουργήσετε το προγνωστικό μοντέλο βάσει του συνόλου δεδομένων εισόδου και των ρυθμίσεων μοντέλου που παρείχατε.

Αφού δημιουργήσετε το προγνωστικό μοντέλο και εκτελέσετε τη ροή δεδομένων, μπορείτε να ελέγξετε τις πληροφορίες σχετικά με το μοντέλο για να προσδιορίσετε πόσο ακριβές είναι. Χρησιμοποιήστε αυτές τις πληροφορίες για να προσαρμόσετε μέσω επαναλήψεων τις ρυθμίσεις του μοντέλου, να βελτιώσετε την ακρίβεια και να προβλέψετε καλύτερα αποτελέσματα.

Όταν δημιουργείτε ένα σενάριο σε ένα βιβλίο εργασίας, εφαρμόζετε ένα προγνωστικό μοντέλο στο σύνολο δεδομένων του βιβλίου εργασίας, με σκοπό την αποκάλυψη των τάσεων και των μοτίβων που το μοντέλο έχει σχεδιαστεί να βρίσκει.

1. Στην Αρχική σελίδα, κάντε κλικ στην επιλογή Δημιουργία και κατόπιν στην επιλογή Βιβλίο εργασίας.
2. Επιλέξτε το σύνολο δεδομένων που θέλετε να χρησιμοποιήσετε για τη δημιουργία του βιβλίου εργασίας και κάντε κλικ στην επιλογή Προσθήκη στο βιβλίο εργασίας.
3. Στο τμήμα παραθύρου Δεδομένα, κάντε κλικ στην επιλογή Προσθήκη και επιλέξτε Δημιουργία σεναρίου.
4. Στο πλαίσιο διαλόγου Δημιουργία σεναρίου - Επιλογή μοντέλου, επιλέξτε ένα μοντέλο και πατήστε OK.
   Μπορείτε να εφαρμόσετε μόνο ένα προβλεπτικό μοντέλο. Δεν μπορείτε να εφαρμόσετε ένα μοντέλο μηχανικής εκμάθησης Oracle.
   Εάν δεν μπορεί να αντιστοιχιστεί κάθε είσοδος μοντέλου με ένα στοιχείο δεδομένων, τότε εμφανίζεται το πλαίσιο διαλόγου Αντιστοίχιση των δεδομένων σας στο μοντέλο.
5. Εάν εμφανιστεί το πλαίσιο διαλόγου Αντιστοίχιση των δεδομένων σας στο μοντέλο, τότε στο πεδίο Σύνολο δεδομένων, επιλέξτε το σύνολο δεδομένων που θα χρησιμοποιηθεί με το μοντέλο.
6. Αντιστοιχίστε την είσοδο μοντέλου και τα στοιχεία δεδομένων όπως απαιτείται. Κάντε κλικ στην επιλογή "Ολοκληρώθηκε".
   Το σενάριο εμφανίζεται ως σύνολο δεδομένων στο τμήμα παραθύρου Στοιχεία δεδομένων.
7. Σύρετε και αποθέστε στοιχεία από το σύνολο δεδομένων και το μοντέλο στον καμβά Απεικόνιση.
8. Για να προσαρμόσετε το σενάριο, κάντε δεξί κλικ στο σενάριο στο τμήμα παραθύρου Στοιχεία δεδομένων και επιλέξτε Επεξεργασία σεναρίου.
9. Αλλάξτε το σύνολο δεδομένων και ενημερώστε την είσοδο μοντέλου και την αντιστοίχιση στοιχείων δεδομένων όπως απαιτείται.
10. Κάντε κλικ στην επιλογή Αποθήκευση για να αποθηκεύσετε το βιβλίο εργασίας.