ประมวลผลโมเดล Machine Learning โดยใช้แผนภูมิ Lift และ Gain
แผนภูมิ Lift และ Gain ช่วยให้คุณสามารถเปรียบเทียบโมเดลแมชชีนเลิร์นนิงต่างๆ เพื่อระบุโมเดลที่แม่นยำที่สุด
ภาพรวมการใช้แผนภูมิ Lift และ Gain
แผนภูมิ Lift และ Gain ช่วยให้คุณประเมินโมเดล Machine Learning แบบคาดการณ์ได้โดยการแสดงแผนภูมิสถิติด้านการกำหนดโมเดลในการแสดงข้อมูลของ Oracle Analytics
เมื่อคุณใช้โฟลว์ข้อมูลเพื่อนำโมเดลการจัดประเภทไปใช้กับชุดข้อมูล Oracle Analytics จะช่วยให้คุณสามารถคำนวณค่า Lift และ Gain ได้ จากนั้นคุณสามารถแสดงข้อมูลนี้ัในแผนภูมิเพื่อช่วยประเมินความแม่นยำของโมเดลคาดการณ์และระบุว่าควรใช้โมเดลไหนจึงจะดีที่สุด
สิ่งที่ต้องใช้
- Oracle Database หรือ Oracle Autonomous Data Warehouse
- โมเดลการจัดประเภทที่มีความเป็นไปได้ของการคาดการณ์ (เช่น โมเดลตัวจัดประเภทแบบหลายประเภทที่สร้างขึ้นโดยใช้สคริปต์การฝึกอบรมของ Naive Bayes)
คุณเข้าใช้โมเดลการคาดการณ์ที่มีอยูได้ในพื้นที่การเรียนรู้ของเครื่องใน Oracle Analytics
ค่าสถิติที่สร้างไว้สำหรับการวิเคราะห์ Lift และ Gain
ชื่อโฟลว์ข้อมูล>_LIFT ที่มีคอลัมน์ต่อไปนี้
- PopulationPercentile - จำนวนประชากรในชุดข้อมูลที่แบ่งออกเป็น 100 กลุ่มเท่าๆ กัน
- CumulativeGain - อัตราส่วนระหว่างจำนวนสะสมของเป้าหมายที่เป็นบวกจนถึงเปอร์เซ็นไทล์ดังกล่าว เทียบกับจำนวนรวมของเป้าหมายที่เป็นบวก ยิ่งเส้น Gain สะสมเข้าใกล้มุมบนซ้ายของแผนภูมิมากเท่าไร ค่า Gain ก็ยิ่งมากเท่านั้น แสดงว่ามีสัดส่วนผู้ตอบสนองที่เข้าถึงสูงกว่า โดยมีสัดส่วนลูกค้าที่ติดต่อน้อยกว่า
- GainChartBaseline - อัตราการตอบสนองโดยรวม : เส้นกราฟแสดงถึงเปอร์เซ็นต์ของเรคคอร์ดที่เป็นบวกซึ่งเราคาดหวังจะได้รับหากเลือกเรคคอร์ดแบบสุ่ม ตัวอย่างเช่น ในแคมเปญการตลาด หากเราติดต่อลูกค้า X% แบบสุ่ม เราจะได้รับการตอบสนองที่เป็นบวกรวม X%
- LiftChartBaseline - มีค่าเป็น 1 และใช้เป็นเกณฑ์พื้นฐานสำหรับเปรียบเทียบค่า Lift
- LiftValue - ค่า Lift สะสมของเปอร์เซ็นไทล์ ค่า Lift คืออัตราส่วนระหว่างความหนาแน่นของเรคคอร์ดที่เป็นบวกสะสมสำหรับข้อมูลที่เลือก เทียบกับความหนาแน่นที่เป็นบวกของข้อมูลทดสอบทั้งหมด
- IdealModelLine - อัตราส่วนระหว่างจำนวนสะสมของเป้าหมายที่เป็นบวก เทียบกับจำนวนรวมของเป้าหมายที่เป็นบวก
- OptimalGain - ค่านี้ระบุถึงจำนวนลูกค้าที่เหมาะสมที่สุดที่ต้องติดต่อ เส้นโค้งของค่า Gain สะสมจะแบนราบหลังจากจุดนี้ไป
จากนั้นคุณสามารถแสดงชุดข้อมูล <ชื่อโฟลว์ข้อมูล>_LIFT ในแผนภูมิของ Oracle Analytics ตัวอย่างเช่น ในการวิเคราะห์ค่า Gain คุณอาจพล็อตกราฟ PopulationPercentile บนแกน X และพล็อตกราฟ CumulativeGain, GainChartBaseline, IdealModelLine และ OptimalGain บนแกน Y
สร้างข้อมูลเชิงคาดการณ์สำหรับแผนภูมิ Lift และ Gain
เมื่อคุณใช้โฟลว์ข้อมูลเพื่อใช้โมเดลการจัดประเภทกับชุดข้อมูล Oracle Analytics จะช่วยให้คุณสามารถคำนวณสถิติที่คุณสามารถแสดงข้อมูลในแผนภูมิการเพิ่มและกำไรได้
- ในเพจโฮม คลิก สร้าง แล้วคลิก โฟลว์ข้อมูล
- เลือกที่มาข้อมูล แล้วคลิก เพิ่ม
- คลิก เพิ่มขึ้นตอน แล้วเลือก ใช้โมเดล
- ที่ เลือกโมเดล ให้เลือกโมเดลการจัดประเภทที่มีความเป็นไปได้ของการคาดการณ์ จากนั้นคลิก ตกลง
- ใน ใช้โมเดล ในส่วน พารามิเตอร์ :
- ใน คำนวณการเพิ่มและกำไร เลือก ใช่
- ใน คอลัมน์เป้าหมายที่ต้องการคำนวณลิฟท์ เลือกชื่อคอลัมน์ของค่าที่จะคาดการณ์ ตัวอย่างเช่น หากโมเดลของคุณคาดการณ์ว่าลูกค้าจะลงทะเบียนสมาชิกโดยใช้คอลัมน์ชื่อ SIGNUP ให้เลือก SIGNUP
- ใน คลาสค่าบวกที่จะคำนวณ ให้ระบุค่าข้อมูลที่ตรงตามตัวพิมพ์ใหญ่และเล็กซึ่งแสดงคลาสค่าบวก (หรือผลลัพธ์ที่ต้องการ) ในการคาดการณ์ ตัวอย่างเช่น หากโมเดลของคุณคำนวณว่าลูกค้าจะลงทะเบียนสมาชิกโดยใช้คอลัมน์ชื่อ SIGNUP ที่มีค่า YES หรือ NO ให้ระบุ YES
- เพิ่มโหนด บันทึกข้อมูล ในโฟลว์ข้อมูลของคุณ
- รันโฟลว์ข้อมูลนี้
ชื่อโฟลว์ข้อมูล>_LIFT ที่มีสถิติการเพิ่มและกำไร ซึ่งคุณสามารถประมวลผลได้ประมวลผลโมเดล Machine Learning โดยใช้แผนภูมิ Lift และ Gain
ใช้แผนภูมิเพื่อวิเคราะห์สถิติที่สร้างโดยโมเดลการจัดประเภทด้วย Machine Learning เพื่อระบุโมเดลที่ดีที่สุดที่จะใช้
- ในแผงข้อมูล แสดงข้อมูล ให้เลือกสถิติที่จะวิเคราะห์ แล้วคลิกขวาและเลือก เลือกการแสดงข้อมูล และเลือก แผนภูมิเส้น
ตัวอย่างเช่น ในการวิเคราะห์ Gains คุณสามารถวาง PopulationPercentile บนแกน x และวางา CumulativeGain, GainChartBaseline, IdealModelLine และ OptimalGain บนแกน yในการวิเคราะห์ Lift คุณสามารถวาง PopulationPercentile บนแกน x และวาง LiftChartBaseline และ LiftValue บนแกน y