สร้างและใช้โมเดลการคาดการณ์ของ Oracle Analytics
โมเดลการคาดการณ์ของ Oracle Analytics ใช้อัลกอริทึม Oracle Machine Learning ที่รวมอยู่จำนวนมาก เพื่อค้นหาชุดข้อมูลของคุณ คาดการณ์ค่าเป้าหมาย หรือระบุคลาสของเรคคอร์ด ใช้โปรแกรมแก้ไขโฟลว์ข้อมูลเพื่อสร้าง ฝึก และใช้โมเดลการคาดการณ์กับข้อมูลของคุณ
โมเดลการคาดการณ์ของ Oracle Analytics คืออะไร
โมเดลการคาดการณ์ของ Oracle Analytics จะใช้อัลกอริทึมเฉพาะกับชุดข้อมูลเพื่อคาดการณ์ค่า คาดการณ์คลาส หรือระบุกลุ่มในข้อมูล
คุณยังสามารถใช้โมเดลการเรียนรู้ของเครื่อง Oracle เพื่อคาดการณ์ข้อมูล
Oracle Analytics มีอัลกอริทึมที่จะช่วยคุณฝึกอบรมโมเดลการคาดการณ์เพื่อวัตถุประสงค์ต่างๆ ตัวอย่างของอัลกอริทึมได้แก่โครงสร้างการจัดประเภทและการถดถอย (CART), การถดถอยตามตรรกะ และ k-means
คุณจะใช้โปรแกรมแก้ไขข้อมูลเพื่อฝึกอบรมโมเดลในชุดข้อมูลการฝึกอบรมก่อน หลังจากฝึกอบรมโมเดลการคาดการณ์แล้ว คุณจะใช้โมเดลนั้นกับชุดข้อมูลที่คุณต้องการคาดการณ์
คุณสามารถทำให้โมเดลที่ฝึกอบรมแล้วใช้ได้สำหรับผู้ใช้อื่น ซึ่งจะสามารถใช้โมเดลดังกล่าวกับข้อมูลเพื่อคาดการณ์ค่า ในบางกรณี ผู้ใช้บางรายจะฝึกอบรมโมเดล และผู้ใช้อื่นๆ จะใช้โมเดลเหล่านั้น
หมายเหตุ:
หากคุณไม่แน่ใจว่าจะต้องหาอะไรในข้อมูลของคุณ คุณสามารถเริ่มได้ด้วยการใช้ Explain ซึ่งจะใช้การเรียนรู้ของเครื่องเพื่อระบุแนวโน้มและรูปแบบ จากนั้นคุณสามารถใช้โปรแกรมแก้ไขโฟลว์ข้อมูลเพื่อสร้างและฝึกอบรมโมเดลการคาดการณ์เพื่อดริลล์ไปยังแนวโน้มและรูปแบบที่ Explain พบ- ก่อนอื่น คุณต้องสร้างโฟลว์ข้อมูลและเพิ่มชุดข้อมูลที่คุณต้องการใช้เพื่อฝึกอบรมโมเดล ชุดข้อมูลการฝึกอบรมนี้จะมีข้อมูลที่คุณต้องการคาดการณ์ (ตัวอย่างเช่น ค่า เช่น ยอดขายหรืออายุ หรือตัวแปร เช่น ช่วงความเสี่ยงของเครดิต)
- หากจำเป็น คุณสามารถใช้โปรแกรมแก้ไขโฟลว์ข้อมูลเพื่อแก้ไขชุดข้อมูลด้วยการเพิ่มคอลัมน์ การเลือกคอลัมน์ การรวม เป็นต้น
- หลังจากที่คุณยืนยันว่าข้อมูลคือข้อมูลที่คุณต้องการฝึกอบรมโมเดล คุณจะต้องเพิ่มขั้นตอนการฝึกอบรมไปยังโฟลว์ข้อมูล และเลือกการจัดประเภท (ไบนารีหรือหลายรายการ) การถดถอย หรืออัลกอริทึมคลัสเตอร์เพื่อฝึกอบรมโมเดล จากนั้นตั้งชื่อให้โมเดลที่ได้ บันทึกโฟลว์ข้อมูล และรันเพื่อฝึกอบรมและสร้างโมเดล
- ตรวจสอบคุณสมบัติในออบเจกต์การเรียนรู้ของเครื่องเพื่อระบุคุณภาพของโมเดล หากจำเป็น คุณสามารถวนซ้ำกระบวนการฝึกอบรมจนกว่าโมเดลจะได้ถึงระดับคุณภาพที่คุณต้องการ
ใช้โมเดลที่เสร็จสิ้นแล้วในการให้คะแนนข้อมูลที่ไม่รู้จักหรืที่ไม่ได้กำหนดป้ายกำกับเพื่อสร้างชุดข้อมูลภายในโฟลว์ข้อมูลหรือเพื่อเพิ่มการแสดงข้อมูลการคาดการณ์ไปยังเวิร์กบุค
ตัวอย่าง
สมมติว่าคุณต้องการสร้างและฝึกอบรมโมเดลการจัดประเภทหลายรายการเพื่อคาดการณ์ว่าผู้ป่วยรายใดมีความเสี่ยงในการเกิดโรคหัวใจสูง
- ระบุชุดข้อมูลการฝึกอบรมที่มีแอททริบิวเกี่ยวกับผู้ป่วยแต่ละราย เช่น อายุ เพศ และข้อมูลว่าพวกเขาเคยมีประสบการณ์เจ็บหน้าอกหรือไม่ รวมถึงเมตริคต่างๆ เช่น ความดันโลหิต ระดับน้ำตาลในเลือดหลังอดอาหาร คอเลสเตอรอล และอัตราการเต้นของหัวใจสูงสุด นอกจากนี้ ชุดข้อมูลการฝึกอบรมยังมีคอลัมน์ที่ชื่อ "ความเป็นไปได้" ที่ได้รับการระบุหนึ่งในค่าต่อไปนี้: ไม่มี, เป็นไปได้น้อย, เป็นไปได้, เป็นไปได้สูง หรือมี
- เลือกอัลกอริทึม CART (โครงสร้างการตัดสินใจฉ ) เนื่องจากอัลกอริทึมนี้จะไม่ประมวลผลคอลัมน์ที่ซ้ำกัน ซึ่งจะไม่เพิ่มค่าสำหรับการคาดการณ์ และจะระบุและใช้เฉพาะคอลัมน์ที่มีประโยชน์ต่อการคาดการณ์เป้าหมายเท่านั้น เมื่อคุณเพิ่มอัลกอริทึมในโฟลว์ข้อมูล คุณจะเลือกคอลัมน์ความเป็นไปได้เพื่อฝึกอบรมโมเดล อัลกอริทึมจะใช้การเรียนรู้ของเครื่องเพื่อเลือกคอลัมน์ไดรเวอร์ที่จำเป็นต่อการดำเนินการและเอาต์พุตการคาดการณ์และชุดข้อมูลที่เกี่ยวข้อง
- ตรวจสอบผลลัพธ์และปรับโมเดลการฝึกอบรม แล้วใช้โมเดลกับชุดข้อมูลขนาดใหญ่กว่าเพื่อคาดการณ์ว่าผู้ป่วยรายใดที่มีความเป็นไปได้ว่าเป็นหรือกำลังจะเป็นโรคหัวใจ
ฉันจะเลือกอัลกอริทึมโมเดลการคาดการณ์อย่างไร
Oracle Analytics มาพร้อมอัลกอริทึมสำหรับความต้องการในการกำหนดโมเดลการเรียนรู้ของเครื่อง: การคาดการณ์ตัวเลข การจัดประเภทหลายรายการ ตัวแบ่งประเภทแบบไบนารี และการคลัสเตอร์
ฟังก์ชันการเรียนรู้ของเครื่องของ Oracle เป็นฟังก์ชันสำหรับนักวิเคราะห์ข้อมูลขั้นสูงที่ทราบแนวคิดว่าต้องการค้นหาอะไรในข้อมูล คุ้นเคยกับแนวทางปฏิบัติสำหรับการวิเคราะห์การคาดการณ์ และเข้าใจความแตกต่างระหว่างอัลกอริทึมต่างๆ
หมายเหตุ:
หากคุณกำลังใช้ข้อมูลที่มาจาก Oracle Autonomous Data Warehouse คุณสามารถใช้ความสามารถ AutoML เพื่อฝึกโมเดลการคาดการณ์ให้คุณได้อย่างรวดเร็วและง่ายดาย โดยไม่ต้องใช้ทักษะการเรียนรู้ของเครื่อง See ฝึกโมเดลการคาดการณ์โดยใช้ AutoML ใน Autonomous Data Warehouseตามปกติแล้ว ผู้ใช้ต้องการสร้างโมเดลการคาดการณ์หลายรายการ เปรียบเทียบ และเลือกโมเดลเป็นไปได้ว่าจะให้ผลลัพธ์ที่ตรงตามเกณฑ์และความต้องการมากที่สุด เกณฑ์เหล่านี้อาจแตกต่างกันไป ตัวอย่างเช่น ในบางครั้งผู้ใช้เลือกโมเดลที่มีความถูกต้องโดยรวมที่ดีขึ้น บางครั้งผู้ใช้ก็เลือกโมเดลที่มีข้อผิดพลาดประเภท I (ผลบวกเท็จ) และประเภท II (ผลลบเท็จ) และบางครั้งผู้ใช้ก็เลือกโมเดลที่แสดงผลลัพธ์เร็วกว่าและที่มีระดับความถูกต้องที่ยอมรับได้ แม้จะไม่ใช่ผลลัพธ์ที่สมบูรณ์แบบก็ตาม
Oracle Analytics ประกอบด้วยอัลกอริทึมการเรียนรู้ของเครื่องหลายรายการสำหรับการคาดการณ์และการจัดประเภทแต่ละชนิด ด้วยอัลกอริทึมเหล่านี้ ผู้ใช้สามารถสร้างมากกว่าหนึ่งโมเดล หรือใช้พารามิเตอร์อื่นที่มีการปรับปรุง หรือใช้ชุดข้อมูลการฝึกอบรมอินพุตอื่น แล้วเลือกโมเดลที่ดีที่สุด ผู้ใช้สามารถเลือกโมเดลที่ดีที่สุดด้วยการเปรียบเทียบและถ่วงน้ำหนักโมเดลกับเกณฑ์ของตนเอง ในการกำหนดโมเดลที่ดีที่สุด ผู้ใช้สามารถใช้โมเดลและแสดงข้อมูลผลลัพธ์ของการคำนวณเพื่อระบุความถูกต้อง หรือสามารถเปิดและสำรวจชุดข้อมูลที่เกี่ยวข้องที่ Oracle Analytics ใช้โมเดลเพื่อทำการเอาต์พุต
ดูตารางนี้เพื่อเรียนรู้เกี่ยวกับอัลกอริทึมที่ระบุ
| ชื่อ | ประเภท | ชนิด | ฟังก์ชัน | คำอธิบาย |
|---|---|---|---|---|
| CART |
การจัดประเภท การถดถอย |
ตัวแบ่งประเภทแบบไบนารี ตัวแบ่งประเภทหลายรายการ ตัวเลข |
- | ใช้โครงสร้างการตัดสินใจเพื่อคาดการณ์ทั้งค่าที่แยกกันและค่าต่อเนื่อง
ใช้กับชุดข้อมูลขนาดใหญ่ |
| การถดถอยเชิงเส้นแบบ Elastic Net | การถดถอย | ตัวเลข | ElasticNet | โมเดลการถดถอยขั้นสูง ระบุข้อมูลเพิ่มเติม (การเรกูลาไรซ์), ดำเนินการเลือกตัวแปร และดำเนินการรวมเชิงเส้น ค่าเสียหายของวิธีการถดถอย Lasso และ Ridge
ใช้กับแอททริบิวจำนวนมากเพื่อหลักเลี่ยงภาวะร่วมเส้นตรง (แอททริบิวหลายรายการสัมพันธ์กันพอดี) และภาวะ Overfitting |
| ลำดับชั้น | การคลัสเตอร์ | การคลัสเตอร์ | AgglomerativeClustering | สร้างลำดับชั้นของการคลัสเตอร์โดยใช้เมตริคจากล่างขึ้นบน (การสังเกตการณ์แต่ละรายการคือคลัสเตอร์ของตัวเอง จากนั้นจึงรวม) หรือบนลงล่าง และเมตริคระยะห่าง
ใช้เมื่อชุดข้อมูลไม่ได้มีขนาดใหญ่และไม่ทราบจำนวนคลัสเตอร์ล่วงหน้า |
| K-Means | การคลัสเตอร์ | การคลัสเตอร์ | k-means | พาร์ติชันเรคคอร์ดแบบวนซ้ำลงในคลัสเตอร์ k ซึ่งการสังเกตการณ์แต่ละรายการเป็นของคลัสเตอร์ที่มีค่าเฉลี่ยที่ใกล้เคียงที่สุด
ใช้สำหรับคอลัมน์เมตริคการคลัสเตอร์และใช้กับชุดการคาดการณ์จำนวนคลัสเตอร์ที่จำเป็น ทำงานได้ดีกับชุดข้อมูลขนาดใหญ่ ผลลัพธ์จะแตกต่างกันในการรันแต่ละครั้ง |
| การถดถอยเชิงเส้น | การถดถอย | ตัวเลข | กำลังสองน้อยสุด
Ridge Lasso |
แนวทางเชิงเส้นสำหรับการกำหนดโมเดลความสัมพันธ์ระหว่างตัวแปรเป้าหมายและแอททริบิวอื่นๆ ในชุดข้อมูล
ใช้เพื่อคาดการณ์ค่าตัวเลขเมื่อแอททริบิวไม่สัมพันธ์กันพอดี |
| การถดถอยตามตรรกะ | การถดถอย | ตัวแบ่งประเภทแบบไบนารี | LogisticRegressionCV | ใช้เพื่อคาดการณ์ค่าของตัวแปรอ้างอิงตามชนิด ตัวแปรอ้างอิงเป็นตัวแปรไบนารีที่มีข้อมูลที่มีรหัสเป็น 1 หรือ 0 |
| Naive Bayes | การจัดประเภท |
ตัวแบ่งประเภทแบบไบนารี ตัวแบ่งประเภทหลายรายการ |
GaussianNB | การจัดประเภทความน่าจะเป็นตามทฤษฎีของ Bayes ที่ถือว่าไม่มีการอ้างอิงระหว่างคุณสมบัติ
ใช้เมื่อมีไดเมนชันอินพุตจำนวนมาก |
| Neural Network | การจัดประเภท |
ตัวแบ่งประเภทแบบไบนารี ตัวแบ่งประเภทหลายรายการ |
MLPClassifier | อัลกอริทึมการจัดประเภทแบบวนซ้ำที่เรียนรู้ด้วยการเปรียบเทียบผลการจัดประเภทที่มีค่าตามจริงและส่งกลับไปยังเครือข่ายเพื่อแก้ไขอัลกอริทึมสำหรับการวนซ้ำในอนาคต
ใช้สำหรับการวิเคราะห์ข้อความ |
| Random Forest | การจัดประเภท |
ตัวแบ่งประเภทแบบไบนารี ตัวแบ่งประเภทหลายรายการ ตัวเลข |
- | วิธีการเรียนรู้แบบรวมที่สร้างโครงสร้างการตัดสินใจหลายรายการและเอาต์พุตค่าที่แสดงถึงโครงสร้างการตัดสินใจทั้งหมดโดยรวม
ใช้เพื่อคาดการณ์ตัวแปรตัวเลขและตัวแปรตามชนิด |
| SVM | การจัดประเภท |
ตัวแบ่งประเภทแบบไบนารี ตัวแบ่งประเภทหลายรายการ |
LinearSVC, SVC | จัดประเภทเรคคอร์ดด้วยการแมปในพื้นที่และสร้างระนาบเกินที่สามารถใช้สำหรับการจัดประเภท เรคคอร์ดใหม่ (ข้อมูลการใหคะแนน) ได้รับการแมปไปยังพื้นที่และได้รับการคาดการณ์ว่าเป็นของชนิด ซึ่งอิงตามด้านข้างของระนาบเกินที่เรคคอร์ดนั้นอยู่ |
ฝึกโมเดลการคาดการณ์โดยใช้ AutoML ใน Oracle Autonomous Data Warehouse
เมื่อคุณใช้ข้อมูลจาก Oracle Autonomous Data Warehouse คุณสามารถใช้ความสามารถ AutoML เพื่อแนะนำและฝึกโมเดลการคาดการณ์ AutoML จะวิเคราะห์ข้อมูลของคุณ คำนวณอัลกอริทึมที่เหมาะสมที่สุดที่จะใช้ และรีจีสเตอร์โมเดลการคาดการณ์ใน Oracle Analytics เพื่อให้คุณสามารถคาดการณ์ข้อมูลของคุณได้
- สร้างชุดข้อมูลตามข้อมูลใน Oracle Autonomous Data Warehouse ที่คุณต้องการคาดการณ์ ตัวอย่างเช่น คุณอาจมีข้อมูลเกี่ยวกับการออกจากงานของพนักงาน รวมถึงฟิลด์ชื่อ ATTRITION ที่ระบุ 'ใช่' หรือ 'ไม่' สำหรับการออกจากงาน
- ตรวจสอบให้แน่ใจว่าผู้ใช้ฐานข้อมูลที่ระบุในการเชื่อมต่อ Oracle Analytics กับ Oracle Autonomous Data Warehouse มีบทบาท
OML_Developerและไม่ใช่ผู้ใช้ขั้นสูง 'admin' มิฉะนั้น โฟลว์ข้อมูลจะล้มเหลวเมื่อคุณพยายามบันทึกหรือรัน
- สำหรับ เป้าหมาย คลิก เลือกคอลัมน์ แล้วเลือกคอลัมน์ข้อมูลที่มีค่าที่คุณต้องการคาดการณ์
ตัวอย่างเช่น หากต้องการคาดการณ์การออกจากงานของพนักงาน คุณอาจเลือกฟิลด์ชื่อ ATTRITION ซึ่งระบุ 'TRUE' หรือ 'FALSE' เพื่อพิจารณาว่าพนักงานออกจากองค์กรไปแล้วหรือไม่
สร้างและฝึกอบรมโมเดลการคาดการณ์
นักวิเคราะห์ข้อมูลขั้นสูงจะสร้างและฝึกอบรมโมเดลการคาดการณ์ เพื่อให้สามารถใข้งานอัลกอริทึม Oracle Machine Learning ในการค้นหาชุดข้อมูล คาดการณ์ค่าเป้าหมาย หรือระบุคลาสของเรคคอร์ด ใช้โปรแกรมแก้ไขโฟลว์ข้อมูลเพื่อสร้างและฝึกอบรมโมเดลการคาดการณ์ และใช้โมเดลดังกล่าวกับข้อมูลของคุณ
การมาถึงที่โมเดลที่ถูกต้องเป็นกระบวนการแบบวนซ้ำ และนักวิเคราะห์ข้อมูลขั้นสูงสามารถลองใช้โมเดลอื่น เปรียบเทียบผลลัพธ์ และปรับพารามิเตอร์ตามการทดลองใช้และข้อผิดพลาด นักวิเคราะห์ข้อมูลสามารถใช้โมเดลการคาดการณ์ขั้นสุดท้ายที่ถูกต้องเพื่อคาดการณ์แนวโน้มในชุดข้อมูลอื่น หรือเพิ่มโมเดลไปยังเวิร์กบุค
หมายเหตุ:
หากคุณกำลังใช้ข้อมูลที่มาจาก Oracle Autonomous Data Warehouse คุณสามารถใช้ความสามารถ AutoML เพื่อฝึกโมเดลการคาดการณ์ให้คุณได้อย่างรวดเร็วและง่ายดาย โดยไม่ต้องใช้ทักษะการเรียนรู้ของเครื่อง See ฝึกโมเดลการคาดการณ์โดยใช้ AutoML ใน Autonomous Data WarehouseOracle Analytics มาพร้อมอัลกอริทึมสำหรับการคาดการณ์ตัวเลือก การจัดประเภทหลายรายการ การจัดประเภทไบนารี และการคลัสเตอร์
ขั้นตอนโฟลว์ข้อมูลสำหรับโมเดลการเรียนรู้ของเครื่องการฝึก
Oracle Analytics จะช่วยให้คุณฝึกอบรมโมเดลการเรียนรู้ของเครื่องโดยใช้ขั้นตอนในโฟลว์ข้อมูล เมื่อคุณได้ฝึกโมเดลการเรียนรู้ของเครื่องแล้ว ให้นำไปใช้กับข้อมูลของคุณด้วยขั้นตอน ใช้โมเดล
| ชื่อขั้นตอน | คำอธิบาย |
|---|---|
| AutoML (ต้องใช้ Oracle Autonomous Data Warehouse) | ใช้ความสามารถ AutoML ของ Oracle Autonomous Data Warehouse เพื่อแนะนำและฝึกโมเดลการคาดการณ์ให้กับคุณ ขั้นตอน AutoML จะวิเคราะห์ข้อมูลของคุณ คำนวณอัลกอริทึมที่เหมาะสมที่สุดที่จะใช้ และรีจีสเตอร์โมเดลการคาดการณ์ใน Oracle Analytics |
| ฝึกอบรมตัวจำแนกประเภทไบนารี |
ฝึกอบรมโมเดลการเรียนรู้ของเครื่องเพื่อจัดประเภทข้อมูลออกเป็นหนึ่งในสองชนิดที่กำหนดไว้ล่วงหน้า |
| ฝึกอบรมการทำคลัสเตอร์ | ฝึกอบรมโมเดลการเรียนรู้ของเครื่องเพื่อคัดแยกกลุ่มที่มีคุณลักษณะคล้ายกันและระบุกลุ่มเหล่านั้นลงในคลัสเตอร์ |
| ฝึกอบรมตัวจำแนกประเภทหลายประเภท | ฝึกอบรมโมเดลการเรียนรู้ของเครื่องเพื่อจัดประเภทข้อมูลออกเป็นชนิดที่กำหนดไว้ล่วงหน้าอย่างน้อยสามชนิด |
| ฝึกอบรมการคาดการณ์ตัวเลข | ฝึกอบรมโมเดลการเรียนรู้ของเครื่องเพื่อคาดการณ์ค่าตัวเลขตามค่าข้อมูลที่ทราบ |
ตรวจสอบโมเดลการคาดการณ์
หลังจากที่คุณสร้างโมเดลการคาดการณ์และรันโฟลว์ข้อมูล คุณสามารถตรวจสอบข้อมูลเกี่ยวกับโมเดลเพื่อระบุความถูกต้อง ใช้ข้อมูลนี้เพื่อปรับการตั้งค่าโมเดลแบบวนซ้ำเพื่อปรับปรุงความถูกต้องและคาดการณ์ผลลัพธ์ได้ดียิ่งขึ้น
ดูรายละเอียดของโมเดลการคาดการณ์
ข้อมูลรายละเอียดของโมเดลการคาดการณ์จะช่วยคุณทำความเข้าใจโมเดล และระบุว่าเหมาะสำหรับการคาดการณ์ข้อมูลของคุณหรือไม่ รายละเอียดโมเดลประกอบด้วยคลาสโมเดล อัลกอริทึม คอลัมน์อินพุต และคอลัมน์เอาต์พุต
- บนโฮมเพจ ให้คลิก นาวิเกเตอร์ แล้วคลิก การเรียนรู้ของเครื่อง
- คลิกไอคอนเมนูสำหรับโมเดลการฝึกอบรม และเลือก ตรวจสอบ
- คลิก รายละเอียด เพื่อดูข้อมูลของโมเดล
ประเมินคุณภาพของโมเดลการคาดการณ์
ดูข้อมูลที่จะช่วยให้คุณเข้าใจคุณภาพของโมเดลการคาดการณ์ ตัวอย่างเช่น คุณสามารถตรวจสอบเมตริคความถูกต้อง เช่น ความถูกต้องของโมเดล, หลักทศนิยม, การเรียกคืน, ค่า F1 และอัตราผลลัพธ์ที่ผิด
- บนโฮมเพจ ให้คลิก นาวิเกเตอร์ แล้วคลิก การเรียนรู้ของเครื่อง
- คลิกไอคอนเมนูสำหรับโมเดลการฝึกอบรม และเลือก ตรวจสอบ
- คลิกแท็บ คุณภาพ เพื่อตรวจสอบเมตริคคุณภาพของโมเดล และประเมินโมเดล ตัวอย่างเช่น ตรวจสอบคะแนนความแม่นยำของโมเดล
ชุดข้อมูลที่เกี่ยวข้องของโมเดลการคาดการณ์คืออะไร
Oracle Analytics จะสร้างชุดข้อมูลที่เกี่ยวข้องชุดหนึ่ง เมื่อคุณรันโฟลว์ข้อมูลเพื่อสร้างโมเดลการฝึกอบรมของโมเดลการคาดการณ์ Oracle Analytics คุณสามารถเปิดและสร้างเวิร์กบุคในชุดข้อมูลเหล่านี้เพื่อเรียนรู้เกี่ยวกับความถูกต้องของโมเดล
ชุดข้อมูลที่เกี่ยวข้องจะมีรายละเอียดเกี่ยวกับโมเดล เช่น กฎการคาดการณ์ เมตริคความถูกต้อง เมตริกซ์ความสับสน และไดรเวอร์หลักสำหรับการคาดการณ์ ทั้งนี้ขึ้นอยู่กับอัลกอริทึมที่คุณเลือกสำหรับโมเดล คุณสามารถใช้ข้อมูลนี้เพื่อปรับปรุงโมเดลให้ได้รับผลลัพธ์ที่ดีขึ้น และคุณสามารถใช้ชุดข้อมูลที่เกี่ยวข้องเพื่อเปรียบเทียบโมเดลต่างๆ และตัดสินใจว่าโมเดลใดถูกต้องมากกว่า
ตัวอย่างเช่น คุณสามารถเปิดชุดข้อมูลไดรเวอร์เพื่อดูว่าคอลัมน์ใดมีอิทธิพลเชิงบวกหรือเชิงลบที่รุนแรงในโมเดล การตรวจสอบคอลัมน์เหล่านั้นจะทำให้คุณพบว่าบางคอลัมน์ไม่ถูกถือว่าเป็นตัวแปรโมเดล เนื่องจากไม่ใช่อินพุตที่สมเหตุสมผลหรือมีความละเอียดมากเกินไปสำหรับการคาดการณ์ คุณสามารถใช้โปรแกรมแก้ไขโฟลว์เพื่อเปิดโมเดล และคุณสามารถย้ายคอลัมน์ที่ไม่เกี่ยวข้องหรือละเอียดเกินไปและสร้างโมเดลข้อมูลใหม่ตามข้อมูลที่คุณค้นพบได้ คุณสามารถตรวจสอบแท็บคุณภาพและผลลัพธ์ และตรวจสอบว่าความถูกต้องของโมเดลได้รับการอนุมัติหรือไม่ คุณสามารถทำกระบวนการนี้ต่อไปจนกว่าคุณจะพอใจกับความถูกต้องของโมเดลและพร้อมที่จะให้คะแนนชุดข้อมูลใหม่
อัลกอริทึมที่แตกต่างกันจะสร้างชุดข้อมูลที่เกี่ยวข้องกันที่คล้ายกัน พารามิเตอร์แต่ละรายการและชื่อคอลัมน์อาจเปลี่ยนแปลงในชุดข้อมูล โดยขึ้นอยู่กับประเภทของอัลกอริทึม แต่ฟังก์ชันของชุดข้อมูลจะยังคงเหมือนเดิม ตัวอย่างเช่น ชื่อคอลัมน์ในข้อมูลสถิติอาจเปลี่ยนแปลงจากการถดถอยเชิงเส้นเป็นการถดถอยตามตรรกะ แต่ชุดข้อมูลสถิติจะมีเมตริคความถูกต้องของโมเดล
ชุดข้อมูลที่เกี่ยวข้องสำหรับโมเดล AutoML
เมื่อคุณฝึกโมเดลเชิงคาดการณ์โดยใช้ AutoML แล้ว Oracle Analytics จะสร้างชุดข้อมูลเพิ่มเติมที่มีข้อมูลที่เป็นประโยชน์เกี่ยวกับโมเดลนั้น จำนวนชุดข้อมูลที่สร้างขึ้นจะขึ้นอยู่กับอัลกอริทึมของโมเดล ตัวอย่างเช่น สำหรับโมเดล Naive Bayes นั้น Oracle Analytics จะสร้างชุดข้อมูลที่ให้ข้อมูลเกี่ยวกับความน่าจะเป็นแบบมีเงื่อนไข สำหรับโมเดลโครงสร้างการตัดสินใจ ชุดข้อมูลจะให้ข้อมูลเกี่ยวกับสถิติโครงสร้างการตัดสินใจ เมื่อคุณตรวจสอบโมเดลที่สร้าง AutoML โดยใช้อัลกอริทึม Generalized Linear Model (GLM) คุณจะเห็นรายการที่ขึ้นต้นด้วย GLM* สำหรับชุดข้อมูลเฉพาะโมเดลที่มีข้อมูลเมตะดาต้าเกี่ยวกับโมเดล
.png
ชุดข้อมูลที่เกี่ยวข้อง
หมายเหตุ:
Oracle Analytics จะเพิ่มชื่อเอาต์พุตของโฟลว์ข้อมูลต่อท้ายประเภทชุดข้อมูลที่เกี่ยวข้อง ตัวอย่างเช่น สำหรับโมเดล CART หากเอาต์พุตของโฟลว์ข้อมูลชื่อ cart_model2 ชุดข้อมูลจะมีชื่อว่า cart_model2_CARTCART
Oracle Analytics จัดทำตารางสำหรับดข้อมูลที่เกี่ยวข้องกับ CART (Classification and Regression Tree) ซึ่งมีคอลัมน์ที่แสดงเงื่อนไขและเกณฑ์ของเงื่อนไขในโครงสร้างการตัดสินใจ การคาดการณ์สำหรับแต่ละกลุ่ม และความเชื่อมั่นของการคาดการณ์ ใช้การแสดงข้อมูลไดอะแกรมโครงสร้างเพื่อแสดงข้อมูลโครงสร้างการตัดสินใจนี้
ชุดข้อมูล CART จะถูกสร้างเมื่อคุณเลือกค่าผสมโมเดลและอัลกอริทึมเหล่านี้
| โมเดล | อัลกอริทึม |
|---|---|
| ตัวเลข | CART สำหรับการคาดการณ์ตัวเลข |
| การจัดประเภทไบนารี | CART |
| การจัดประเภทหลายรายการ | CART |
รายงานการจัดประเภท
Oracle Analytics สร้างตารางสำหรับชุดข้อมูลที่เกี่ยวข้องของรายงานการจัดประเภท ตัวอย่างเช่น หากคอลัมน์เป้าหมายสามารถมีค่าที่ไม่ซ้ำกันสองค่า "ใช่" หรือ "ไม่" ชุดข้อมูลนี้จะแสดงเมตริคความถูกต้อง เช่น F1 ความแม่นยำ การเรียกคืน และการรองรับ (จำนวนแถวในชุดข้อมูลการฝึกอบรมที่มีค่านี้) สำหรับค่าที่ไม่ซ้ำกันทุกค่าของคอลัมน์เป้าหมาย
ชุดข้อมูลการจัดประเภทจะถูกสร้างเมื่อคุณเลือกค่าผสมโมเดลและอัลกอริทึมเหล่านี้
| โมเดล | อัลกอริทึม |
|---|---|
| การจัดประเภทไบนารี |
Naive Bayes Neural Network Support Vector Machine |
| การจัดประเภทหลายรายการ |
Naive Bayes Neural Network Support Vector Machine |
เมตริกซ์ความสับสน
Oracle Analytics จะสร้างตารางเปลี่ยนจุดอ้างอิงสำหรับชุดข้อมูลที่เกี่ยวข้องของเมตริกซ์ความสับสน ซึ่งเรียกอีกอย่างว่าเมตริกซ์ข้อผิดพลาด แต่ละแถวจะแสดงอินสแตนซ์ของคลาสที่มีการคาดการณ์ และแต่ละคอลัมน์จะแสดงอินสแตนซ์ในคลาสตามจริง ตารางนี้รายงานจำนวนผลบวกเท็จ, ผลลบเท็จ, ผลบวกจริง และผลลบจริง ซึ่งถูกใช้เพื่อคำนวณเมตริคความถูกต้องของความแม่นยำ การเรียกคืน และ F1
ชุดข้อมูลเมตริกซ์ความสับสนจะถูกสร้างเมื่อคุณเลือกค่าผสมโมเดลและอัลกอริทึมเหล่านี้
| โมเดล | อัลกอริทึม |
|---|---|
| การจัดประเภทไบนารี |
การถดถอยตามตรรกะ CART (โครงสร้างการตัดสินใจ) Naive Bayes Neural Network Random Forest Support Vector Machine |
| การจัดประเภทหลายรายการ |
CART (โครงสร้างการตัดสินใจ) Naive Bayes Neural Network Random Forest Support Vector Machine |
ไดรเวอร์
Oracle Analytics จะสร้างตารางสำหรับชุดข้อมูลที่เกี่ยวข้องของไดรเวอร์ ซึ่งมีข้อมูลเกี่ยวกับคอลัมน์ที่ระบุค่าคอลัมน์เป้าหมาย การถดถอยเชิงเส้นใช้เพื่อระบุคอลัมน์เหล่านี้ แต่ละคอลัมน์ได้รับการระบุค่าสัมประสิทธิ์และสหสัมพันธ์ ค่าสัมประสิทธิ์จะอธิบายน้ำหนัก-อายุของคอลัมน์ที่ใช้เพื่อระบุค่าของคอลัมน์เป้าหมาย ค่าสหสัมพันธ์จะระบุทิศทางความสัมพันธ์ระหว่างคอลัมน์เป้าหมายกับคอลัมน์อ้างอิง ตัวอย่างเช่น หากค่าคอลัมน์เป้าหมายเพิ่มขึ้นหรือลดลงตามคอลัมน์อ้างอิง
ชุดข้อมูลไดรเวอร์จะถูกสร้างเมื่อคุณเลือกค่าผสมโมเดลและอัลกอริทึมเหล่านี้
| โมเดล | อัลกอริทึม |
|---|---|
| ตัวเลข |
การถดถอยเชิงเส้น การถดถอยเชิงเส้นแบบ Elastic Net |
| การจัดประเภทไบนารี |
การถดถอยตามตรรกะ Support Vector Machine |
| การจัดประเภทหลายรายการ | Support Vector Machine |
Hitmap
Oracle Analytics จะสร้างตารางสำหรับชุดข้อมูลที่เกี่ยวข้องของ Hitmap ซึ่งมีข้อมูลเกี่ยวกับโหนดระดับต่ำสุดของโครงสร้างการตัดสินใจ แต่ละแถวในตารางจะแสดงโหนดระดับต่ำสุดและประกอบด้วยข้อมูลที่อธิบายสิ่งที่โหนดระดับต่ำสุดแสดง เช่น ขนาดเซกเมนต์ ความเชื่อมั่น และจำนวนแถวที่คาด ตัวอย่างเช่น จำนวนการคาดการณ์ที่ถูกต้องที่คาด = ขนาดเซกเมนต์ * ความเชื่อมั่น
ชุดข้อมูล Hitmap จะถูกสร้างเมื่อคุณเลือกค่าผสมโมเดลและอัลกอริทึมเหล่านี้
| โมเดล | อัลกอริทึม |
|---|---|
| ตัวเลข | CART สำหรับการคาดการณ์ตัวเลข |
ค่าความคลาดเคลื่อน
Oracle Analytics จะสร้างตารางสำหรับชุดข้อมูลที่เกี่ยวข้องของค่าความคลาดเคลื่อน ซึ่งมีข้อมูลเกี่ยวกับคุณภาพของการคาดการณ์ค่าความคลาดเคลื่อน ค่าความคลาดเคลื่อนคือความแตกต่างระหว่างค่าที่วัดกับค่าที่คาดการณ์ของโมเดลการถดถอย ชุดข้อมูลนี้ประกอบด้วยค่าผลรวมที่สรุปรวมของส่วนต่างสัมบูรณ์ระหว่างค่าจริงกับค่าที่คาดสำหรับคอลัมน์ทั้งหมดในชุดข้อมูล
ชุดข้อมูลค่าความคลาดเคลื่อนจะถูกสร้างเมื่อคุณเลือกค่าผสมโมเดลและอัลกอริทึมเหล่านี้
| โมเดล | อัลกอริทึม |
|---|---|
| ตัวเลข |
การถดถอยเชิงเส้น การถดถอยเชิงเส้นแบบ Elastic Net CART สำหรับการคาดการณ์ตัวเลข |
| การจัดประเภทไบนารี | CART (โครงสร้างการตัดสินใจ) |
| การจัดประเภทหลายรายการ | CART (โครงสร้างการตัดสินใจ) |
สถิติ
Oracle Analytics สร้างตารางสำหรับชุดข้อมูลที่เกี่ยวข้องของสถิติ เมตริคของชุดข้อมูลนี้จะขึ้นอยู่กับอัลกอริทึมที่ใช้เพื่อสร้างชุดข้อมูล โปรดสังเกตลิสต์ของเมตริคตามอัลกอริทึมนี้:
- การถดถอยเชิงเส้น, CART สำหรับการคาดการณ์ตัวเลข, การถดถอยเชิงเส้นแบบ Elastic Net - อัลกอริทึมเหล่านี้ประกอบด้วย R-Square, R-Square Adjusted, Mean Absolute Error(MAE), Mean Squared Error(MSE), Relative Absolute Error(RAE), Related Squared Error(RSE), Root Mean Squared Error(RMSE)
- CART (โครงสร้างการจัดประเภทและการถดถอย), การจัดประเภท Naive Bayes, Neural Network, Support Vector Machine(SVM), Random Forest, การถดถอยตามตรรกะ - อัลกอริทึมเหล่านี้มีความถูกต้อง, F1 รวม
ชุดข้อมูลนี้จะถูกสร้างเมื่อคุณเลือกค่าผสมโมเดลและอัลกอริทึมเหล่านี้
| โมเดล | อัลกอริทึม |
|---|---|
| ตัวเลข |
การถดถอยเชิงเส้น การถดถอยเชิงเส้นแบบ Elastic Net CART สำหรับการคาดการณ์ตัวเลข |
| การจัดประเภทไบนารี |
การถดถอยตามตรรกะ CART (โครงสร้างการตัดสินใจ) Naive Bayes Neural Network Random Forest Support Vector Machine |
| การจัดประเภทหลายรายการ |
Naive Bayes Neural Network Random Forest Support Vector Machine |
สรุป
Oracle Analyticsจะสร้างตารางสำหรับชุดข้อมูลที่เกี่ยวข้องของสรุป ซึ่งมีข้อมูล เช่น ชื่อเป้าหมายและชื่อโมเดล
ชุดข้อมูลสรุปจะถูกสร้างเมื่อคุณเลือกค่าผสมโมเดลและอัลกอริทึมเหล่านี้
| โมเดล | อัลกอริทึม |
|---|---|
| การจัดประเภทไบนารี |
Naive Bayes Neural Network Support Vector Machine |
| การจัดประเภทหลายรายการ |
Naive Bayes Neural Network Support Vector Machine |
ค้นหาชุดข้อมูลที่เกี่ยวข้องของโมเดลการคาดการณ์
ระบบจะสร้างชุดข้อมูลที่เกี่ยวข้องเมื่อคุณฝึกอบรมโมเดลการคาดการณ์
- บนโฮมเพจ ให้คลิก นาวิเกเตอร์ แล้วคลิก การเรียนรู้ของเครื่อง
- คลิกไอคอนเมนูสำหรับโมเดลการฝึกอบรม และเลือก ตรวจสอบ
- คลิกแท็บ เกี่ยวข้อง เพื่อเข้าใช้ชุดข้อมูลที่เกี่ยวข้องของโมเดล
- ดับเบิลคลิกที่ชุดข้อมูลที่เกี่ยวข้องเพื่อดูหรือใช้ชุดข้อมูลดังกล่าวในเวิร์กบุค
เพิ่มโมเดลการคาดการณ์ไปยังเวิร์กบุค
เมื่อคุณสร้างสถานการณ์ในเวิร์กบุค คุณจะใช้โมเดลการคาดการณ์กับชุดข้อมูลของเวิร์กบุคเพื่อดูแนวโน้มและรูปแบบที่โมเดลได้รับการออกแบบมาให้ค้นหา
หมายเหตุ:
คุณไม่สามารถใช้โมเดล Machine Learning ของ Oracle กับข้อมูลของเวิร์กบุค