Het experiment maken en configureren

De eerste stap is het maken en configureren van het experiment. U gebruikt de trainingsgegevensset die u eerder hebt geüpload om het model te trainen totdat het klaar is om te worden geïmplementeerd voor het doen van voorspellingen.

Een nieuw experiment maken

Doe het volgende:

1. Ga naar de pagina Maken van het Analyse activiteitencentrum en selecteer ML-experiment.

2. Voer een naam in voor uw experiment, bijvoorbeeld Customer churn tutorial.

3. Voeg eventueel een beschrijving en tags toe.

4. Kies een ruimte voor uw experiment. Dit kan uw persoonlijke ruimte of een gedeelde ruimte zijn.

5. Klik op Maken.

6. Selecter het bestand met de trainingsgegevensset. Dit is een van de volgende opties, afhankelijk van of u met CSV of QVD werkt:

   • ML - Churn data - training.csv

   • ML - Churn data - training.qvd

De gegevens beoordelen

Nu bent u klaar om uw experiment te configureren, maar laten we eerst eens naar de gegevensset kijken.

We beginnen op het tabblad Configuratie. De standaardweergave is de Schemaweergave. Hier zien we een tabel waarin elke rij een kolom in uw gegevensset vertegenwoordigt. Statistieken en inzichten zijn gegenereerd in de automatische gegevensvoorbereiding. Mogelijk moet u naar de rechterkant van het schema scrollen om de Inzichten te zien.

We kunnen zien dat AccountID is uitgesloten vanwege een hoge cardinaliteit. Dit betekent dat de kolom te veel unieke waarden bevat. De functie Country is om de tegenovergestelde reden uitgesloten: de waarde is voor alle rijen hetzelfde. Deze twee functies zouden geen waarde toevoegen aan de machine learning-modellen.

We kunnen ook zien dat de categorische functie Territory via impact-codering is gecodeerd. Beweeg de muisaanwijzer over de pictogrammen voor waarschuwing en informatie voor meer informatie.

Klik op Gegevensweergave. In deze weergave kunnen we meer informatie over elke kolom zien, inclusief voorbeeldgegevens.

Een doel selecteren

We willen dat ons machine learning-model het verloop van klanten (churn) voorspelt, dus selecteren we Churned, de laatste kolom in de gegevensset, als ons doel.

Doe het volgende:

1. Schakel terug naar Schemaweergave.

2. Beweeg de muisaanwijzer over Churned en klik op het pictogram dat verschijnt.

Vouw in het configuratiepaneel van het experiment Experimentinstellingen uit. U kunt zien dat Churned is geselecteerd als het doel. Op basis van uw doel en de beschikbare functiegegevens is het Experimenttype Binaire classificatie.

U kunt ook zien welke functies automatisch worden geselecteerd en uitgesloten. Churned is het doel, dus dit wordt niet gebruikt als een functie.

Functieselectie en modeloptimalisatie

Standaard is het experiment ingesteld op het gebruik van intelligente modeloptimalisatie. Vouw ter bevestiging Modeloptimalisatie uit in het configuratiepaneel van het experiment. De optie Intelligent moet zijn geselecteerd.

Functieselectie kan handmatig worden geconfigureerd in de sectie Functies van het configuratiepaneel. Met intelligente modeloptimalisatie wordt de functieselectie automatisch afgehandeld door het verwijderen van onbruikbare functies. Als deze instelling is ingeschakeld, kunnen we alle beschikbare functies opnemen in de training.

Het experiment trainen

De configuratie is voltooid en we zijn klaar om de training te starten.

Doe het volgende:

• Klik op Experiment uitvoeren.

Wanneer het experiment is voltooid, kunnen we doorgaan naar de volgende stap: het beoordelen van de resulterende modelstatistieken.