Tworzenie i używanie modeli predykcyjnych Oracle Analytics

Predykcyjny model Oracle Analytics stosuje określony algorytm do zbioru danych w celu prognozowania wartości i klas lub zidentyfikowania grup występujących w danych.

Do prognozowania danych można także używać modeli Oracle Machine Learning.

Oracle Analytics udostępnia algorytmy pomagające szkolić modele predykcyjne do różnych zastosowań. Na przykład algorytmy obejmują drzewa klasyfikacji i regresji CART (Classification and Regression Trees), regresję logistyczną i centroidy.

Najpierw, do przeszkolenia modelu na szkoleniowym zbiorze danych, jest używany edytor przepływu danych. Po wyszkoleniu modelu predykcyjnego można go zastosować do zbiorów danych, dla których ma być generowana prognoza.

Wyszkolony model można udostępnić innym użytkownikom, tak aby mogli stosować go do swoich danych w celu prognozowania. W niektórych sytuacjach określeni użytkownicy szkolą modele, a inni je stosują.

Gotowego modelu można użyć do oceny nieznanych lub niemających etykiety danych w celu wygenerowania zbioru danych (w ramach przepływu danych) albo dodania wizualizacji predykcji do skoroszytu.

Oracle Analytics udostępnia algorytmy do modelowania uczenia maszynowego, obejmujące predykcję liczbową, klasyfikację wieloklasową, klasyfikację dwójkową i klastrowanie.

Udostępniane przez Oracle funkcje uczenia maszynowego są przeznaczone dla zaawansowanych analityków danych, którzy wiedzą, czego szukają w danych, znają się na analizach predykcyjnych oraz rozumieją różnice między poszczególnymi algorytmami.

Zwykli użytkownicy zazwyczaj tworzą kilka modeli predykcji, porównują je i wybierają ten, który najprawdopodobniej da wyniki spełniające określone kryteria i wymagania. Kryteria te mogą się zmieniać. Na przykład niekiedy użytkownicy wybierają modele zapewniające lepszą dokładność ogólną, kiedy indziej wybierają modele cechujące się najmniejszą liczbą błędów typu I (wyniki fałszywie pozytywne) i typu II (wyniki fałszywie negatywne), a jeszcze inni wybierają modele zwracające wyniki szybciej z określonym poziomem dokładności, nawet jeśli te wyniki nie są idealne.

Oracle Analytics udostępnia wiele algorytmów uczenia maszynowego dla poszczególnych rodzajów predykcji lub klasyfikacji. Użytkownik, korzystając z tych algorytmów, może utworzyć więcej niż jeden model oraz używać różnych dostrajanych parametrów i różnych szkoleniowych zbiorów danych, aby na koniec wybrać najlepszy model. Użytkownik może wybrać najlepszy model, porównując i oceniając modele w odniesieniu do swoich własnych kryteriów. Aby ustalić najlepszy model, może zastosować model i zwizualizować wyniki obliczeń w celu sprawdzenia dokładności albo otworzyć i eksplorować powiązane zbiory danych które były używane przez Oracle Analytics do modelowania wyników.

Więcej informacji o udostępnianych algorytmach można znaleźć w poniższej tabeli:

Gdy są używane dane z Oracle Autonomous Data Warehouse, można używać dostępnej w tym produkcie funkcji AutoML do zalecenia i wytrenowania modelu predykcyjnego. AutoML analizuje dane, ustala najlepszy do użycia algorytm oraz rejestruje model predykcyjny w Oracle Analytics, tak aby można było tworzyć prognozy na podstawie swoich danych.

1. Na stronie startowej kliknąć Utwórz, po czym kliknąć Przepływ danych.
2. W obszarze "Dodaj zbiór danych" wybrać zbiór danych oparty na hurtowni Oracle Autonomous Data Warehouse zawierającej dane, które będą analizowane.
3. Kliknąć Dodaj etap, po czym kliknąć AutoML.
4. W polu Cel kliknąć napis Proszę wybrać kolumnę, po czym wybrać kolumnę zawierającą wartość, która będzie prognozowana.
   Na przykład, aby prognozować odchodzenie pracowników, można wybrać pole o nazwie ATTRITION, w którym wartość TRUE lub FALSE sygnalizuje, czy pracownik odszedł czy nie odszedł z organizacji.
   

   
   .png"

   
   
5. Zaakceptować sugerowane przez Oracle Analytics ustawienia Typ zadania i Miara klasyfikacji modelu lub wybrać inny algorytm.
6. Kliknąć Zapisz model, po czym określić nazwę generowanego modelu predykcyjnego.
7. Kliknąć Zapisz, po czym określić nazwę przepływu danych.
8. Kliknąć Uruchom, aby uruchomić analizę danych i wygenerować model predykcyjny.
9. Na stronie startowej kliknąć Nawigacja, następnie kliknąć Uczenie maszynowe, po czym kliknąć prawym przyciskiem myszy wygenerowany i wybrać opcję Zbadaj.

Zaawansowani analitycy danych mogą tworzyć i trenować modele predykcyjne, których będzie można używać do wdrażania algorytmów Oracle Machine Learning w celu eksplorowania zbiorów danych, przewidywania wartości docelowej albo identyfikowania klas rekordów. Za pomocą edytora przepływu danych można tworzyć i trenować modele predykcyjne oraz stosować je do swoich danych.

1. Na stronie startowej kliknąć na opcji Utwórz, po czym wybrać opcję Przepływ danych.
2. Wybrać zbiór danych, który ma być używany do szkolenia modelu. Kliknąć przycisk Dodaj.
3. W edytorze przepływu danych kliknąć na węźle Dodaj etap (+).
   Po dodaniu zbioru danych można - do utworzenia modelu - użyć wszystkich zawartych w nim kolumn albo wybrać tylko istotne. Odpowiedni wybór istotnych kolumn wymaga rozumienia zbioru danych. Powinno się pomijać kolumny, o których wiadomo, że nie mają wpływu na wyniki albo że zawierają nadmiarowe informacje. Istotne kolumny można wybierać, dodając etap Wybór kolumn. Nie mając pewności, które kolumny są istotne, należy użyć wszystkich kolumn.
4. Wybrać jeden z etapów szkolenia modelu (na przykład Szkolenie predykcji liczbowej lub Szkolenie klastrowania).
5. Wybrać algorytm, po czym nacisnąć przycisk OK.
6. Pracując z modelem nadzorowanym, takim jak predykcja lub klasyfikacja, wybrać opcję Cel, a następnie prognozowaną kolumnę. Na przykład, jeśli jest tworzony model prognozujący dochód osoby, wybrać kolumnę "Dochód".
   Pracując z modelem nienadzorowanym, takim jak klastrowanie, nie trzeba wybierać prognozowanej kolumny.
7. Zmienić ustawienia domyślne modelu, aby go dostroić i poprawić dokładność prognozowanych wyników. Ustawienia zależą od konkretnego modelu.
8. Kliknąć na etapie Zapisywanie modelu, po czym podać nazwę i opis.
9. Kliknąć przycisk Zapisz, podać nazwę i opis przepływu danych, po czym - aby go zapisać - nacisnąć przycisk OK.
10. Kliknąć przycisk Uruchom przepływ danych, aby utworzyć model predykcyjny bazujący na wejściowym zbiorze danych i określonych ustawieniach modelu.

Po utworzeniu modelu predykcyjnego i uruchomieniu przepływu danych można sprawdzić informacje dotyczącego modelu w celu ustalenia jego dokładności. Korzystając z tych informacji, można iteracyjnie dostosowywać ustawienia modelu, tak aby zwiększyć jego dokładność i uzyskiwać lepsze wyniki.

Tworząc w skoroszycie scenariusz, do zbioru danych skoroszytu stosuje się model predykcyjny w celu odkrycia trendów i wzorców, do których wykrywania model został zaprojektowany.

1. Na stronie startowej kliknąć kolejno Utwórz i Skoroszyt.
2. Wybrać zbiór danych, który ma zostać użyty do utworzenia skoroszytu, po czym kliknąć Dodaj do skoroszytu.
3. W okienku "Dane" kliknąć na ikonie Dodaj, po czym wybrać opcję Utwórz scenariusz.
4. W oknie dialogowym "Tworzenie scenariusza - Wybór modelu" wybrać model, po czym nacisnąć przycisk OK.
   Można zastosować tylko model predykcyjny. Nie można zastosować modelu Oracle Machine Learning.
   Jeśli którekolwiek z danych wejściowych modelu nie będą mogły zostać dopasowane do elementu danych, zostanie wyświetlone okno dialogowe "Mapowanie danych na model".
5. Jeśli pojawi się okno dialogowe "Mapowanie danych na model", wybrać w polu Zbiór danych zbiór danych do użycia z modelem.
6. Uzgodnić dane wejściowe modelu i elementy danych. Kliknąć przycisk Gotowe.
   Scenariusz zostanie wyświetlony w okienku "Elementy danych" jako zbiór danych.
7. Poprzeciągać elementy ze zbioru danych i modelu do kanwy "Wizualizacja".
8. Aby dostosować scenariusz, w okienku "Elementy danych" kliknąć prawym przyciskiem myszy na scenariuszu, po czym wybrać opcję Edytuj scenariusz.
9. Zmienić zbiór danych oraz zaktualizować mapowanie danych wejściowych modelu na elementy danych.
10. Kliknąć Zapisz, aby zapisać skoroszyt.