Opprette og bruke prediktive modeller i Oracle Analytics

En prediktiv modell i Oracle Analytics bruker en bestemt algoritme med et datasett til å forutsi verdier, forutsi klasser eller identifisere grupper i dataene.

Du kan også bruke Oracle-maskinlæringsmodeller til å forutsi data.

Oracle Analytics inneholder algoritmer som hjelper deg å lære opp prediktive modeller for ulike formål. Klassifiserings- og regresjonstrær (CART), logistisk regresjon og K-Means er eksempler på algoritmer.

Du bruker redigeringsprogrammet for dataflyt til å lære opp en modell i et datasett for opplæring først. Når den prediktive modellen er opplært, bruker du den på datasettene du vil forutsi.

Du kan gjøre en opplært modell tilgjengelig for andre brukere som kan bruke den på sine data for å forutsi verdier. I noen tilfeller kan enkelte brukere lære opp modeller, mens andre brukere kan bruke modellene.

Bruk den fullførte modellen til å vurdere ukjente data eller data uten etikett for å generere et datasett i en dataflyt eller legge til en prediksjonsvisualisering i en arbeidsbok.

Oracle Analytics tilbyr algoritmer for alle modelleringsbehov innen maskinlæring: numerisk prediksjon, flerklassifisering, binær klassifisering og klynging.

Maskinlæringsfunksjonaliteten fra Oracle er for erfarne dataanalytikere som har en idé om hva de vil finne i dataene, er kjent med praktisering av prediktiv analyse og forstår forskjellene mellom algoritmer.

Brukerne ønsker vanligvis å opprette flere prediksjonsmodeller, sammenligne dem og velge den som mest sannsynlig gir resultater som tilfredsstiller kriteriene og behovene. Disse kriteriene kan variere. Brukerne velger for eksempel noen ganger modeller som har bedre nøyaktighet generelt, noen ganger modeller som har færrest feil av type-I (falske positive) og type-II (falske negative), og andre ganger modeller som returnerer resultater raskere og med et akseptabelt nøyaktighetsnivå, selv om resultatene ikke er ideelle.

Oracle Analytics inneholder flere maskinlæringsalgoritmer for hver type prediksjon eller klassifisering. Brukerne kan opprette flere modeller, bruke forskjellige finjusterte parametre med disse algoritmene eller bruke forskjellige datasett for inndataopplæring og deretter velge den beste modellen. Brukeren kan velge den beste modellen ved å sammenligne og veie modeller mot sine egne kriterier. Brukerne kan ta i bruk modellen, visualisere resultater fra beregningene og fastslå nøyaktigheten for å finne ut hvilken modell som er best, eller de kan åpne og utforske de relaterte datasettene som ble brukt til å modellere utdataene i Oracle Analytics.

Du finner flere opplysninger om algoritmene som følger med, i denne tabellen:

Når du bruker data fra Oracle Autonomous Data Warehouse, kan du bruke funksjonen AutoML til å anbefale og lære opp en prediktiv modell. AutoML analyserer dataene, beregner den beste algoritmen for bruk og registrerer en prediksjonsmodell i Oracle Analytics, slik at du kan generere prediksjoner for dataene.

1. Klikk på Opprett på hjemmesiden, og klikk deretter på Dataflyt.
2. Velg datasettet basert på Oracle Autonomous Data Warehouse som inneholder dataene som skal analyseres, i Legg til datasett.
3. Klikk på Legg til et trinn, og klikk deretter på AutoML.
4. For Mål klikker du på Velg en kolonne og velger datakolonnen som inneholder verdien du prøver å generere en prediksjon for.
   Hvis du for eksempel vil generere en prediksjon for ansattavgang, kan du for eksempel velge et felt med navnet AVGANG som angir SANN eller USANN for spørsmålet om ansatte har sluttet i organisasjonen eller ikke.
   

   
   .png

   
   
5. Godta den foreslåtte oppgavetypen og modellrangeringsmålingen som anbefales i Oracle Analytics, eller velg en annen algoritme.
6. Klikk på Lagre modell, og angi navnet på den genererte prediksjonsmodellen.
7. Klikk på Lagre, og angi et navn for dataflyten.
8. Klikk på Kjør for å analysere dataene og generere en prediktiv modell.
9. Klikk på Naviger på hjemmesiden, klikk på Maskinlæring, høyreklikk på den genererte modellen, og velg deretter Inspiser.

Erfarne dataanalytikere oppretter og lærer opp prediktive modeller slik at de kan bruke dem til å implementere Oracle Machine Learning-algoritmer for å utvinne datasett, forutsi en målverdi eller identifisere postklasser. Bruk redigeringsprogrammet for dataflyt til å opprette og lære opp prediktive modeller og deretter bruke dem på dataene.

1. Klikk på Opprett på hjemmesiden, og velg deretter Dataflyt.
2. Velg datasettet du vil bruke til å lære opp modellen. Klikk på Legg til.
3. Klikk på Legg til et trinn (+) i redigeringsprogrammet for dataflyt.
   Når du har lagt til et datasett, kan du bruke alle kolonnene i datasettet til å bygge modellen eller bare de relevante kolonnene. Det er nødvendig å forstå datasettet når du skal velge relevante kolonner. Ignorer kolonner du vet ikke påvirker virkemåten i resultatet, eller som inneholder overflødige opplysninger. Du kan velge bare relevante kolonner ved å legge til trinnet Velg kolonner. Hvis du ikke er sikker på hvilke kolonner som er relevante, bruker du alle kolonnene.
4. Velg ett av trinnene for modellopplæring (for eksempel Lær opp numerisk prediksjon eller Lær opp klynging).
5. Velg en algoritme, og klikk på OK.
6. Hvis du arbeider med en overvåket modell, for eksempel prediksjon eller klassifisering, klikker du på Mål og velger kolonnen du prøver å forutsi. Hvis du for eksempel skal opprette en modell for å forutsi inntekten til en person, velger du kolonnen Inntekt.
   Hvis du arbeider med en uovervåket modell, for eksempel klynging, er det ikke nødvendig å velge en målkolonne.
7. Endre standardinnstillingene for modellen slik at du kan finjustere og forbedre nøyaktigheten i prediksjonsutfallet. Disse innstillingene avhenger av modellen du arbeider med.
8. Klikk på trinnet Lagre modell, og angi et navn og en beskrivelse.
9. Klikk på Lagre, angi et navn og en beskrivelse av dataflyten, og klikk på OK for å lagre dataflyten.
10. Klikk på Kjør dataflyt for å opprette prediksjonsmodellen basert på inndatasettet og modellinnstillingene du har angitt.

Når du har opprettet den prediktive modellen og kjørt dataflyten, kan du vurdere opplysninger om modellen for å fastslå nøyaktigheten. Bruk disse opplysningene til gjentagende justering av modellinnstillingene, slik at du kan forbedre nøyaktigheten og forutsi bedre resultater.

Når du oppretter et scenario i en arbeidsbok, bruker du en prediktiv modell på datasettet i arbeidsboken for å vise trendene og mønstrene modellen ble utformet for å finne.

1. Klikk på Opprett på hjemmesiden, og klikk deretter på Arbeidsbok.
2. Velg datasettet du vil bruke til å opprette arbeidsboken, og klikk på Legg til i arbeidsbok.
3. Klikk på Legg til i ruten Data, og velg Opprett scenario.
4. Velg en modell i dialogboksen Opprett scenario – velg modell, og klikk på OK.
   Du kan bare bruke en prediktiv modell. Du kan ikke bruke en Oracle-maskinlæringsmodell.
   Hvis det ikke blir funnet samsvar mellom modellinndata og et dataelement, vises dialogboksen Tilordne dataene til modellen.
5. Hvis dialogboksen Tilordne dataene til modellen vises, velger du datasettet du vil bruke med modellen, i feltet Datasett.
6. Angi samsvarende modellinndata og dataelementer etter behov. Klikk på Ferdig.
   Scenarioet vises som et datasett i ruten Dataelementer.
7. Dra elementer fra datasettet og modellen til lerretet Visualiser, og slipp dem der.
8. Hvis du vil justere scenarioet, høyreklikker du på scenarioet i ruten Dataelementer og velger Rediger scenario.
9. Endre datasettet, og oppdater tilordningen for modellinndataene og dataelementene etter behov.
10. Klikk på Lagre for å lagre arbeidsboken.