Skapa och använd förutsägelsemodeller i Oracle Analytics

En förutsägelsemodell i Oracle Analytics tillämpar en viss algoritm på en datamängd för att förutsäga värden, förutsäga klasser eller identifiera grupper i data.

Du kan även använda modeller från Oracle Machine Learning för att förutsäga data.

Oracle Analytics innehåller algoritmer som hjälper dig att träna förutsägelsemodeller för olika ändamål. Exempel på algoritmer är klassificerings- och regressionsträd (CART), logistisk regression och k-means.

Du använder dataflödesredigeraren för att först träna en modell med en träningsdatamängd. När förutsägelsemodellen har tränats tillämpar du den på datamängder som du vill förutsäga.

Du kan göra en tränad modell tillgänglig för andra användare, som kan tillämpa den på sina data för att förutsäga värden. Ibland är det vissa användare som tränar modeller och andra användare som tillämpar modellerna.

Använd den färdiga modellen till att poängsätta okända eller omärkta data och därigenom generera en datamängd inom ett dataflöde, eller till att lägga till en förutsägelsevisualisering i en arbetsbok.

Oracle Analytics tillhandahåller algoritmer för alla dina behov inom modellering med maskininlärning: numerisk prediktion, massklassificering, binär klassificering och klustring.

Oracles maskininlärningsfunktion är avsedd för avancerade dataanalytiker som har en uppfattning om vad de letar efter i sina data, är bekanta med användningen av prediktiv analys och förstår skillnaderna mellan algoritmerna.

Normalt vill användare skapa flera förutsägelsemodeller, jämföra dem och välja den som med högst sannolikhet ger resultat som uppfyller deras kriterier och krav. Dessa kriterier kan variera. Till exempel väljer användare ibland modeller som har bättre övergripande noggrannhet, ibland modeller som har de lägsta felen av typ I (falskt positiv) och typ II (falskt negativ) och ibland modeller som returnerar resultat snabbare och med en acceptabel noggrannhetsnivå, även om resultaten inte är ideala.

Oracle Analytics innehåller flera olika maskininlärningsalgoritmer för varje typ av prediktion eller klassificering. Med dessa algoritmer kan användare skapa fler än en modell eller använda olika finjusterade parametrar eller använda olika träningsdatamängder som indata och sedan välja den bästa modellen. Användaren kan välja den bästa modellen genom att jämföra och vikta modeller mot sina egna kriterier. För att fastställa vilken modell som är den bästa kan användare tillämpa modellen och visualisera resultaten av beräkningarna för att fastställa noggrannheten, eller öppna och utforska de relaterade datamängder som Oracle Analytics fick som utdata från modellen.

Se den här tabellen för att få information om tillhandahållna algoritmer:

När du använder data från Oracle Autonomous Data Warehouse kan du låta funktionen AutoML ge dig rekommendationer och träna en förutsägelsemodell åt dig. Med AutoML analyseras dina data, beräknas den bästa algoritmen att använda och registreras en förutsägelsemodell i Oracle Analytics så att du kan göra förutsägelser angående dina data.

1. På hemsidan klickar du på Skapa och sedan på Dataflöde.
2. I Lägg till datamängd väljer du den datamängd baserad på Oracle Autonomous Data Warehouse som innehåller de data du vill analysera.
3. Klicka på Lägg till ett steg och sedan på AutoML.
4. För Mål klickar du på Välj en kolumn och väljer den datakolumn som innehåller värdet du försöker förutsäga.
   Om du till exempel vill förutsäga naturlig avgång kan du välja ett fält med namnet ATTRITION som anger värdet "TRUE" eller "FALSE" för om medarbetare har lämnat en organisation eller inte.
   

   
   .png

   
   
5. Acceptera förslagen på Uppgiftstyp och Mätetal för modellrankning som Oracle Analytics rekommenderar, eller välj en annan algoritm.
6. Klicka på Spara modell och ange ett namn för den genererade förutsägelsemodellen.
7. Klicka på Spara och ange ett namn för dataflödet.
8. Klicka på Kör för att analysera och generera en förutsägelsemodell.
9. På hemsidan klickar du på Navigera och på Maskininlärning. Sedan högerklickar du på den genererade modellen och väljer Inspektera.

Avancerade dataanalytiker skapar och tränar förutsägelsemodeller som de kan använda för att distribuera algoritmer för Oracle Machine Learning för utvinning av datamängder, förutsägelse av målvärden eller identifiering av klasser av poster. Använd dataflödesredigeraren för att skapa, träna och tillämpa förutsägelsemodeller på data.

1. På hemsidan klickar du på Skapa och väljer sedan Dataflöde.
2. Välj den datamängd som du vill använda för att träna modellen. Klicka på Lägg till.
3. I dataflödesredigeraren klickar du på Lägg till ett steg (+).
   När du har lagt till en datamängd kan du antingen använda alla kolumner i datamängden för att skapa modellen eller välja endast de relevanta kolumnerna. För att kunna välja relevanta kolumner måste du förstå datamängden. Ignorera kolumner som du vet inte påverkar resultatbeteendet eller som innehåller redundant information. Du kan välja endast relevanta kolumner genom att lägga till steget Välj kolumner. Om du är osäker på vilka kolumner som är relevanta ska du använda alla kolumner.
4. Välj ett av träningsmodellstegen (till exempel Träna numerisk prediktion eller Träna klustring).
5. Välj en algoritm och klicka på OK.
6. Om du arbetar med en övervakad modell, som förutsägelse eller klassificering, ska du klicka på Mål och välja kolumnen du försöker förutsäga. Om du till exempel skapar en modell för att förutsäga en persons inkomst så väljer du kolumnen Inkomst.
   Om du arbetar med en oövervakad modell, som klustring, krävs ingen målkolumn.
7. Ändra standardinställningarna för modellen för att finjustera och förbättra det förutsagda resultatets noggrannhet. Modellen du arbetar med fastställer dessa inställningar.
8. Klicka på steget Spara modell och ange ett namn och en beskrivning.
9. Klicka på Spara, ange ett namn och en beskrivning för dataflödet och klicka på OK för att spara dataflödet.
10. Klicka på Kör dataflöde för att skapa förutsägelsemodellen baserat på indatamängden och modellinställningarna du har angett.

När du har skapat förutsägelsemodellen och kört dataflödet kan du granska information om modellen för att fastställa dess noggrannhet. Använd den här informationen för att iterativt justera modellinställningarna i syfte att förbättra noggrannheten och förutsäga bättre resultat.

När du skapar ett scenario i en arbetsbok tillämpar du en förutsägelsemodell på arbetsbokens datamängd för att visa de trender och mönster som modellen utformats för att hitta.

1. På hemsidan klickar du på Skapa och på Arbetsbok.
2. Välj den datamängd du vill använda till att skapa arbetsboken och klicka på Lägg till i arbetsbok.
3. I rutan Data klickar du på Lägg till och väljer Skapa scenario.
4. I dialogrutan Skapa scenario - välj modell väljer du en modell och klickar på OK.
   Du kan endast tillämpa en förutsägelsemodell. Du kan inte tillämpa en modell från Oracle Machine Learning.
   Om alla modellindata inte kan matchas mot ett dataelement visas dialogrutan Mappa data till modellen.
5. Om dialogrutan Mappa data till modellen visas väljer du den datamängd som du vill använda med modellen i fältet Datamängd.
6. Matcha modellindata och dataelementen efter behov. Klicka på Slutför.
   Scenariot visas som en datamängd i rutan Dataelement.
7. Dra och släpp element från datamängden och modellen till ritytan Visualisera.
8. Om du vill justera scenariot högerklickar du på scenariot i rutan Dataelement och väljer Redigera scenario.
9. Ändra datamängden och uppdatera mappningen mellan modellindata och dataelement efter behov.
10. Klicka på Spara för att spara arbetsboken.