Создание и использование моделей с предсказанием Oracle Analytics

В модели с предсказанием Oracle Analytics к набору данных применяется специфический алгоритм для прогнозирования значений, прогнозирования классов или определения групп в данных.

Для прогнозирования данных можно также использовать модели машинного обучения Oracle.

В Oracle Analytics включены алгоритмы, которые помогают обучать модели с предсказанием в соответствии с различными целями. Примерами алгоритмов являются деревья классификации и регрессии (CART), логистическая регрессия и метод k-средних.

Редактор потоков данных используется для обучения модели на наборе данных обучения. После обучения модели с предсказанием ее можно применить к наборам данных, для которых необходимо выполнить прогнозирование.

Можно предоставить подготовленную модель другим пользователям, которые могут применять ее к своим данным для прогнозирования значений. В некоторых случаях определенные пользователи обучают модели, а другие пользователи применяют эти модели.

С использованием готовой модели оцените неизвестные или непомеченные данные для создания набора данных в потоке данных или для добавления визуализации прогнозирования в рабочую книгу.

Oracle Analytics предоставляет алгоритмы для любых задач моделирования машинного обучения: численное прогнозирование, мультиклассификатор, двоичный классификатор и кластеризация.

Функции машинного обучения Oracle предназначены для опытных аналитиков данных, которые имеют представление о том, что они ищут в своих данных, знакомы с практикой упреждающей аналитики и понимают различия между алгоритмами.

Обычно пользователи хотят создать несколько моделей прогнозирования, сравнить их и выбрать модель, которая, скорее всего, обеспечит результаты, отвечающие их критериям и требованиям. Эти критерии могут быть различными. Например, иногда пользователи выбирают модели с более высокой общей точностью, иногда — модели с наименьшим числом ошибок типа I (ложноположительные) и типа II (ложноотрицательные), иногда — модели, которые позволяют быстрее получать результаты и обеспечивают приемлемый уровень точности даже в том случае, если результаты не являются идеальными.

Oracle Analytics содержит несколько алгоритмов машинного обучения для каждого типа прогнозирования или классификации. С помощью этих алгоритмов пользователи могут создавать несколько моделей, использовать различные точно настроенные параметры или использовать различные входных наборы данных обучения, а затем выбирать оптимальную модель. Пользователь может выбрать оптимальную модель, сравнивая и оценивая модели в соответствии с собственными критериями. Чтобы определить оптимальную модель, пользователи могут применять модели и визуализировать результаты вычислений для определения точности или открывать и просматривать связанные наборы данных, для вывода которых компонент Oracle Analytics использовал эту модель.

Сведения о предоставляемых алгоритмах см. в следующей таблице:

При использовании данных из Oracle Autonomous Data Warehouse можно применить функцию AutoML для рекомендации и обучения модели с предсказаниями. AutoML анализирует данные, рассчитывает оптимальный для использования алгоритм и регистрирует модель с предсказаниями в Oracle Analytics для прогнозирования данных.

1. На главной странице нажмите Создать, а затем — Поток данных.
2. В разделе "Добавить набор данных" выберите на основе Oracle Autonomous Data Warehouse набор с данными для анализа.
3. Нажмите Добавить шаг, а затем выберите AutoML.
4. В поле Целевой объект нажмите Выбрать столбец и выберите столбец с данными, содержащий значение, которое вы пытаетесь спрогнозировать.
   Например, для прогнозирования убыли сотрудников можно выбрать поле ATTRITION (УБЫЛЬ) со значением "TRUE" или "FALSE", указывающим, покинули ли сотрудники организацию или нет.
   

   
   .png

   
   
5. Примите предложенные значения Тип задачи и Метрика ранжирования модели, рекомендованные Oracle Analytics, или выберите другой алгоритм.
6. Нажмите Сохранить модель и укажите имя созданной модели с предсказаниями.
7. Нажмите Сохранить и укажите имя потока данных.
8. Нажмите Выполнить, чтобы проанализировать данные и создать модель с предсказаниями.
9. На главной странице нажмите Перейти, выберите Машинное обучение, а затем нажмите правой кнопкой мыши на созданную модель и выберите Проверить.

Опытные аналитики данных создают и обучают модели с предсказанием, которые можно использовать с целью развертывания алгоритмов машинного обучения Oracle для анализа наборов данных, прогнозирования целевого значения или определения классов записей. Для создания, обучения и применения моделей с предсказанием к вашим данным используйте редактор потоков данных.

1. На главной странице нажмите Создать и выберите Поток данных.
2. Выберите набор данных, который будет использоваться для обучения модели. Нажмите Добавить.
3. В редакторе потоков данных нажмите Добавить шаг (+).
   После добавления набора данных можно либо использовать все столбцы в наборе данных для построения модели, либо выбрать только необходимые столбцы. Выбор необходимых столбцов требует понимания набора данных. Игнорируйте столбцы, которые, как вам известно, не влияют на поведение результата или содержат избыточные данные. Можно выбрать только необходимые столбцы, добавив шаг Выбрать столбцы. Если определить необходимые столбцы затруднительно, используйте все столбцы.
4. Выберите один из этапов обучения модели (например, Обучение численному прогнозированию или Обучение кластеризации).
5. Выберите алгоритм и нажмите ОК.
6. При работе с контролируемой моделью, например прогнозом или классификацией, нажмите кнопку Целевой и выберите столбец, для которого требуется выполнить прогнозирование. Например, если создается модель для прогнозирования дохода физического лица, выберите столбец "Доход".
   При работе с неконтролируемой моделью, например кластеризацией, целевой столбец не требуется.
7. Чтобы выполнить точную настройку и повысить точность прогнозируемого результата, измените настройки по умолчанию для вашей модели. Эти настройки определяются используемой моделью.
8. Нажмите шаг Сохранить модель и укажите имя и описание.
9. Чтобы сохранить поток данных, нажмите Сохранить, введите имя и описание потока данных и нажмите OK.
10. Чтобы создать модель с предсказанием на основе набора входных данных и настроек модели, нажмите Выполнить поток данных.

После создания модели с предсказанием и запуска потока данных можно просмотреть информацию о модели, чтобы определить ее точность. Используйте эту информацию для итеративного задания настроек модели, чтобы повысить точность и прогнозировать более хорошие результаты.

При создании сценария в рабочей книге к набору данных рабочей книги применяется модель с предсказанием, которая позволяет выявить тенденции и шаблоны, для поиска которых была разработана данная модель.

1. На главной странице нажмите Создать, а затем — Рабочая книга.
2. Выберите набор данных, который будет использоваться для создания рабочей книги, и нажмите Добавить в рабочую книгу.
3. На панели Данные нажмите Добавить и выберите Создать сценарий.
4. В диалоговом окне Создать сценарий — Выбрать модель выберите модель и нажмите ОК.
   Можно применить только модель с предсказанием. Невозможно применить модель машинного обучения Oracle.
   Если невозможно сопоставить входные данные модели с элементами данных, отображается диалоговое окно Сопоставление данных с моделью.
5. Если отображается диалоговое окно Сопоставление данных с моделью, в поле Набор данных выберите набор данных, который будет использоваться с этой моделью.
6. При необходимости сопоставьте входные данные модели и элементы данных. Нажмите Готово.
   Сценарий отображается в виде набора данных на панели Элементы данных.
7. Перетащите элементы из набора данных и модели на холст "Визуализация".
8. Чтобы настроить сценарий, нажмите правой кнопкой мыши сценарий на панели Элементы данных и выберите Редактировать сценарий.
9. Измените набор данных и при необходимости обновите сопоставление входных данных модели и элементов данных.
10. Чтобы сохранить рабочую книгу, нажмите Сохранить, чтобы сохранить рабочую книгу.