Zu Hauptinhalt springen Zu ergänzendem Inhalt springen

Tutorial – Generieren und Visualisieren von Vorhersagedaten

In diesem Tutorial lernen Sie, wie Sie mithilfe von Qlik AutoML ein ML-Modell für das Treffen von Vorhersagen trainieren und bereitstellen. Daneben erfahren Sie, wie Sie die Vorhersagedaten in einer Qlik Sense App visualisieren können.

Wir betrachten das Szenario der Kundenabwanderung, ein klassisches Beispiel einer Binärklassifikationsaufgabe. Das Ziel besteht darin, zuverlässig vorherzusagen, ob ein Kunde sein Abonnement kündigen oder einen Dienst weiterhin abonnieren wird. Für diese Art Aufgabe gibt es nur zwei Ergebnisse: wahr oder falsch (abgewandert oder nicht abgewandert).

Um diese Aufgabe für maschinelles Lernen anzugehen, beginnen wir mit der Verarbeitung einer Reihe von Daten, deren Ergebnis wir bereits kennen. Dann wenden wir das anhand dieser Daten erstellte statistische Modell auf neue Daten an, deren Ergebnisse wir vorhersagen möchten.

Sie beginnen dieses Tutorial, indem Sie ein Experiment erstellen. Danach trainieren Sie Modelle und stellen eines davon in einer ML-Bereitstellung bereit. Diese ML-Bereitstellung wird verwendet, um Vorhersagen zu erstellen, die dann in einer Qlik Sense-App visualisiert werden können.

Lerninhalte

Nachdem Sie dieses Tutorial abgeschlossen haben, verstehen Sie die einzelnen Schritte beim Erstellen und Konfigurieren eines Experiments. Sie erfahren auch, wie Sie Modell-Scores interpretieren. Schließlich werden Sie in der Lage sein, ein ML-Modell bereitzustellen, und gewinnen ein Verständnis dafür, wie Ihre Vorhersagedaten für die Erstellung überzeugender Qlik Sense Visualisierungen in Qlik Cloud Analytics verwendet werden können.

Diese Tutorial zeigt Ihnen, wie Sie Ihre Modelle manuell iterieren, indem Sie häufige Probleme mit Ihrem Datensatz und Ihren Trainingsergebnissen identifizieren. Standardmäßig trainiert Qlik AutoML Ihre Modelle mit intelligenter Modelloptimierung. Mit der intelligenten Optimierung wird während des Trainings eine automatische Verfeinerung durchgeführt. Dadurch wird die Wahrscheinlichkeit erhöht, dass Ihre Modelle nach einer einzigen Version mit minimalen weiteren Iterationen einsatzbereit sind. Ein Beispiel zum Trainieren von Modellen mit intelligenter Modelloptimierung finden Sie unter Beispiel – Trainingsmodelle mit automatisiertem maschinellen Lernen.

Für wen wird dieses Tutorial empfohlen

Dieses Tutorial richtet sich an Benutzer, die eine Einführung in automatisiertes maschinelles Lernen und Datenvisualisierung in Qlik Cloud Analytics erhalten möchten. Grundlegende Kenntnisse über maschinelles Lernen und Qlik Sense sind nützlich, aber nicht Voraussetzung.

Zum Bearbeiten dieses Tutorials benötigen Sie:

  • Professional- oder Full User-Berechtigung

  • Die Sicherheitsrollen Automl Experiment Contributor und Automl Deployment Contributor im Qlik Cloud Mandanten

  • Berechtigungen zum Genehmigen von bereitgestellten Modellen Konkret benötigen Sie eine der folgenden Berechtigungen:

    • Ihre AutoML-Modelle genehmigen oder ablehnen (Benutzerberechtigung)

    • AutoML-Modelle genehmigen oder ablehnen (Administratorberechtigung)

  • Die erforderlichen Bereichsrollen in den Bereichen, in denen Sie arbeiten. Siehe: Verwalten von Berechtigungen in freigegebenen Bereichen und Verwalten von Berechtigungen in verwalteten Bereichen

Wenn Sie keine ML-Ressourcen anzeigen oder erstellen können, verfügen Sie wahrscheinlich nicht über die erforderlichen Rollen oder Berechtigungen. Wenden Sie sich für weitere Informationen an Ihren Mandantenadministrator.

Weitere Informationen finden Sie unter Wer kann mit Qlik AutoML arbeiten.

Vorbereitungen vor dem Beginn

Zuerst müssen Sie die Materialien des Tutorials, die unten verlinkt sind, herunterladen. Wählen Sie zwischen den CSV- und QVD-Workflows. Der Download der vorkonfigurierten App ist optional.

Wenn Sie die gewünschten Materialien heruntergeladen haben, dekomprimieren Sie sie auf Ihrem Desktop.

  • AutoMLTutorialDatasetsCSV: Contains tutorial data in CSV format. This option is easier for getting started quickly.

  • AutoMLTutorialDatasetsQVF: Enthält Tutorialdaten im Format von QVF-Skripten, die ausgeführt werden können, um QVD-Dateien zu erstellen. Diese Option dauert etwas länger als CSV, hilft allerdings dabei, Sie in die Arbeit mit Qlik-Datenformaten und Skripten einzuführen.

  • AutoMLTutorialPreConfiguredApp: Dieses Element ist optional. Es ist eine Beispielkopie der Qlik Sense App, die Sie während des Tutorials erstellen. Damit können Sie die Trainings- und Bereitstellungsphasen überspringen und so schneller praktische Erfahrungen mit der Entwicklung der Vorhersage-App sammeln.

    Weitere Informationen finden Sie unter Alternativer Workflow: Vorkonfigurierte App hochladen.

Der Trainingsdatensatz enthält Informationen zu den Kunden, deren Frist für eine Verlängerung verstrichen ist und die sich entschieden haben, entweder zu kündigen oder den Dienst weiterhin zu abonnieren.

Der Anwendungsdatensatz enthält Details zu einem neuen Satz Kunden, deren Verlängerungsdatum noch nicht verstrichen ist. Es ist noch nicht bekannt, ob diese Kunden ihren Dienst kündigen werden oder nicht. Das Ziel dieses Tutorials besteht in der Vorhersage, was diese Kunden tun werden, in der Hoffnung, die Wahrscheinlichkeit einer Kundenabwanderung verringern zu können.

Option 1: AutoML-Tutorial-Datensätze (CSV)

  1. Öffnen Sie das Aktivitätscenter Analysen.

  2. Gehen Sie zur Seite „Erstellen“, wählen Sie Datensatz aus und wählen Sie dann Datendatei hochladen aus.

  3. Ziehen Sie die Datei AutoML Tutorial - Churn data - training.csv in das Dialogfeld zum Hochladen.

  4. Ziehen Sie dann die Datei AutoML Tutorial - Churn data - apply.csv in das Dialogfeld zum Hochladen.

  5. Wählen Sie einen Bereich aus. Das kann Ihr persönlicher Bereich oder ein freigegebener Bereich sein, wenn Sie möchten, dass andere Benutzer auf diese Daten zugreifen können.

  6. Klicken Sie auf Hochladen.

Nachdem jetzt Ihre Datensätze hochgeladen sind, können Sie ein Experiment erstellen.

Option 2: AutoML-Tutorial-Datensätze (QVD)

  1. Öffnen Sie das Aktivitätscenter Analysen.

  2. Gehen Sie zur Seite „Erstellen“, wählen Sie Hochladen aus und wählen Sie dann Skript aus.

  3. Ziehen Sie diese Dateien in das Dialogfeld zum Hochladen:

    • AutoML Tutorial - Churn data - training.qvf

    • AutoML Tutorial - Churn data - apply.qvf

  4. Wählen Sie einen Bereich aus. Das kann Ihr persönlicher Bereich oder ein freigegebener Bereich sein, wenn Sie möchten, dass andere Benutzer auf diese Daten zugreifen können.

  5. Klicken Sie auf Hochladen.

  6. Führen Sie für jedes hochgeladene Skript Folgendes durch:

    1. Öffnen Sie das Skript und wechseln Sie zur Registerkarte Editor.

    2. Klicken Sie im Editor auf Daten exportieren.

    Der QVD-Datensatz wird im selben Bereich erstellt, in dem Sie das Skript hochgeladen haben.

Nachdem Ihre Datensätze erstellt sind, können Sie nun ein Experiment erstellen.

Lektionen in diesem Tutorial

Die Themen in diesem Tutorial sollten ihrer Reihenfolge nach bearbeitet werden. Sie können die Arbeit daran jedoch jederzeit unterbrechen und später fortsetzen.

Weitere Informationsquellen und Ressourcen

Ihre Meinung zählt

Wir freuen uns über jedes Feedback, das Sie mit uns teilen möchten. Bitte verwenden Sie den Abschnitt unten, um uns Feedback zu geben.

Hat diese Seite Ihnen geholfen?

Wenn Sie Probleme mit dieser Seite oder ihren Inhalten feststellen – einen Tippfehler, einen fehlenden Schritt oder einen technischen Fehler –, teilen Sie uns bitte mit, wie wir uns verbessern können!