完全にトレーニングされたMLモデルをフリーフォーム・アプリケーションにインポートして、ビジネス・ユーザーが使用できるように準備します。
前提条件: MLモデルをインポートする前に、データ・サイエンス・チームはMLモデルを構築、トレーニングし、PMMLファイルとして保存する必要があります。
MLモデルをフリーフォーム・アプリケーションにインポートするには:
モデルのインポート・ページには、ターゲット列(MLモデルを使用して予測される変数)やトレーニング日など、PMMLファイルに関する情報が表示されます。
「モデル・マッピング」で、MLモデルを使用するキューブを選択し、各ディメンションからメンバーまたはメンバーのセットを選択して、MLモデルを使用するデータのスコープを定義します。
「入力」セクションおよび「出力」セクションには、入力機能(予測に使用される機能/列)およびターゲット機能(予測されると予想される列)のリストが含まれています。フリーフォームは、PMMLファイルを分析して、入力と出力のリストを生成します。
入力機能は、ドライバと同様に、システムへの入力として機能する独立変数です。予測を行う場合、モデルは入力機能を使用して出力を予測します。このステップでは、MLモデルからの入力をフリーフォーム・キューブの出力にマップします。「入力」には、MLモデルからデータをどのように抽出するかを記述します。「出力」では、予測するターゲット・メジャー、およびフリーフォーム・アプリケーションの予測値をどこに貼り付けるかを定義します。
たとえば、製品、価格および業界ボリューム(入力機能)を使用して、ボリューム(出力)を予測できます。
「入力」領域で、入力機能ごとに「入力タイプ」を選択し、「セルの値」または「メンバー」を選択した場合は、マップするPlanningアプリケーションのメンバーまたはディメンションを選択します。入力タイプは次のとおりです:
「出力」領域で「入力タイプ」を選択し、「セルの値」または「メンバー」を選択した場合は、予測結果を格納するためにマップするフリーフォーム・アプリケーションのメンバーまたはディメンションを選択します。
このステップでは、MLX (機械学習の説明可能性)を表し、MLモデルに関する追加情報を抽出します。たとえば、回帰係数を確認して、出力の予測に主要な入力機能の相対的な影響がどのように使用されているかを確認します。棒の高さは、入力機能における1ユニット増加のターゲット変数に対する増分効果を表します。
MLモデル定義ごとに2つのGroovyルールが生成されます:
ML_MLModelName_Form
: このルールを使用して、フォームまたはダッシュボードに関連付けます。これにより、ユーザーはオンデマンドで予測を行うことができます。ML_MLModelName
: このルールを使用して、一括処理用のスケジュール済ジョブで大規模な予測を生成します。生成されたルールは、Calculation Managerで確認できます。Groovyルールは、PMMLファイルの名前と場所、および定義したマッピングに基づいて入力と出力を定義します。これらの生成されたGroovyルールの使用方法の詳細は、プランナへのMLモデルのデプロイを参照してください。
チュートリアル
チュートリアルには、トピックの学習に役立つ一連のビデオやドキュメントを使用した手順が用意されています。
目的 | 方法の学習 |
---|---|
完全にトレーニングされたMLモデルをインポートして、フリーフォーム・アプリケーションにデプロイする方法を学習します。プランナは、高度な予測モデリング手法を使用してより正確な予測を生成する、堅牢なMLベースの予測を活用できます。 | MLモデルのインポート |