将经过全面训练的 ML 模型导入 Planning 应用程序,以将 ML 模型提供给业务用户使用。
先决条件:数据科学团队必须先构建、训练 ML 模型并将其保存为 PMML 文件,然后您才可以导入 ML 模型。
要将 ML 模型导入 Planning 应用程序:
在导入模型页面上,您可以查看有关 PMML 文件的信息,例如目标列(要使用 ML 模型预测的变量)和训练日期。
在模型映射中,选择 ML 模型应用于的多维数据集,并通过从每个维中选择一个成员或一组成员来定义 ML 模型应用于的数据范围。
输入和输出部分包含输入特征(用于做出预测的特征/列)和目标特征(要预测的列)列表。Planning 将分析 PMML 文件以生成输入和输出列表。
输入特征是独立变量,与动因类似,充当系统的输入。当您做出预测时,模型将使用输入特征预测输出。在此步骤中,您需要将 ML 模型中的输入映射到 Planning 多维数据集中的输出。输入描述如何从 ML 模型中提取数据。输出定义您想要预测的目标度量,以及将预测值粘贴到 Planning 应用程序中的什么位置。
例如,可以使用产品、价格和行业销量(输入特征)预测销量(输出)。
在输入区域,为每个输入特征选择输入类型;如果您选择了单元格值或成员,请选择 Planning 应用程序中要映射到的成员或维。输入类型:
在输出区域,选择输入类型;如果您选择了单元格值或成员,请选择 Planning 应用程序中要映射到的成员或维以存储预测结果。
该步骤体现了 MLX(Machine Learning Explainability,机器学习可解释性),并提取有关 ML 模型的其他信息。例如,查看回归系数,以了解如何使用主要输入特征的相对影响来预测输出。条高度表示输入特征增加一个单位对目标变量的增量效应。
每个 ML 模型定义将生成两个 Groovy 规则:
ML_MLModelName_Form
:此规则可用于与表单或仪表板关联,从而使用户可以按需做出预测。ML_MLModelName
:此规则可用于在调度作业中生成大规模预测,以实现批量处理。您可以在 Calculation Manager 中查看生成的规则。Groovy 规则定义 PMML 文件的名称和位置,以及基于您所定义映射的输入和输出。有关使用这些生成的 Groovy 规则的详细信息,请参阅“部署 ML 模型以供规划者使用”。
教程
教程提供说明以及系列视频和文档,可帮助您了解相关主题。
目标 | 了解操作方法 |
---|---|
了解如何导入经过全面训练的 ML 模型并将其部署到 Planning 应用程序。然后,规划者可以利用基于 ML 和高级预测建模技术的强大预测功能来生成更加准确的预测。 | 导入 ML 模型 |