Przeskocz do zawartości głównej Przejdź do treści uzupełniającej

Tworzenie i konfigurowanie eksperymentu

Pierwszy krok polega na utworzeniu i skonfigurowaniu eksperymentu. Przesłany wcześniej zestaw danych do uczenia będzie używany do uczenia modelu, aż model będzie gotowy do wdrożenia w celu tworzenia predykcji.

Tworzenie nowego eksperymentu

  1. Przejdź do strony Utwórz w centrum aktywności Analytics i wybierz Eksperyment uczenia maszynowego.

  2. Wpisz nazwę eksperymentu, na przykład Samouczek — Odpływ klientów.

  3. Opcjonalnie dodaj opis i znaczniki.

  4. Wybierz przestrzeń na eksperyment. Może to być Twoja przestrzeń prywatna lub przestrzeń udostępniona.

  5. Kliknij polecenie Utwórz.

  6. Wybierz plik zestawu danych szkoleniowych. Będzie to jedna z poniższych sytuacji, w zależności od tego, czy pracujesz z plikiem CSV, czy QVD:

    • ML - Churn data - training.qvd

    • ML - Churn data - apply.qvd

Sprawdzanie danych

Możesz już rozpocząć konfigurację eksperymentu, ale najpierw przyjrzyjmy się zestawowi danych.

Zaczynamy od karty Dane. Widokiem domyślnym jest Wiersze tabeli Widok schematu. Tutaj widzimy tabelę, w której każdy wiersz reprezentuje kolumnę z zestawu danych. Statystyki i wnioski zostały wygenerowane podczas automatycznego przygotowywania danych. Aby zobaczyć Wnioski, być może trzeba będzie przewinąć do prawej strony schematu.

Widzimy, że wykluczono AccountID ze względu na dużą kardynalność. Oznacza to, że kolumna ta zawiera zbyt wiele unikatowych wartości. Cecha Country została wykluczona z przeciwnego powodu: wartość jest taka sama dla wszystkich wierszy. Te dwie cechy nie wniosłyby żadnej wartości do modeli uczenia maszynowego.

Widzimy również, że cecha kategorialna Territory została zakodowana metodą impact encoding. Wskaż kursorem ikony ostrzeżeń Trójkąt ostrzegawczy i informacji Trójkąt ostrzegawczy, aby uzyskać więcej informacji.

Widok schematu dla zestawu danych do uczenia w Qlik Predict

Widok schematu w eksperymencie uczenia maszynowego z wnioskami na temat cech.

Kliknij Widok danych Widok danych. W tym widoku widać więcej informacji o każdej kolumnie, w tym przykładowe dane.

Widok danych

Widok danych w konfiguracji eksperymentu.

Wybieranie celu

Chcemy, aby nasz model uczenia maszynowego przewidywał odpływ klientów, dlatego jako cel wybieramy Churned — ostatnią kolumnę w zestawie danych.

  1. Przełącz z powrotem na Wiersze tabeli Widok schematu.

  2. Wskaż kursorem wiersz Churned i kliknij wyświetloną ikonę Cel.

Wiersz w widoku schematu jest wybrany jako cel

Wiersz tabeli dla wybranego celu.

W panelu konfiguracji eksperymentu możemy teraz zobaczyć, że wybrana została pozycja Churned. Możemy także zobaczyć, które cechy są automatycznie wybierane i wykluczane. Churned jest celem, więc nie będzie używana jako cecha. Widzimy również, że eksperyment ten będzie traktowany jako problem klasyfikacji binarnej.

Informacje wyświetlane w panelu Konfiguracja eksperymentu

Panel konfiguracji eksperymentu z wybranym celem i domyślnym wyborem cech

Wybór cech i optymalizacja modelu

W eksperymencie stosuje się domyślnie inteligentną optymalizację modelu. Aby potwierdzić, rozwiń sekcję Optymalizacja modelu w panelu konfiguracji eksperymentu. Powinna być wybrana opcja Inteligentna.

Potwierdzanie inteligentnej optymalizacji modelu w panelu Konfiguracja eksperymentu

Panel konfiguracji eksperymentu z włączoną inteligentną optymalizacją modeli

Wybór cech można skonfigurować ręcznie w sekcji Cechy w panelu konfiguracji. Dzięki inteligentnej optymalizacji modelu wybór cech jest obsługiwany automatycznie przez usuwanie nieprzydatnych cech. Po włączeniu tego ustawienia możemy uwzględnić w uczeniu wszystkie dostępne cechy.

Uczenie eksperymentu

Konfiguracja jest zakończona i możemy rozpocząć uczenie.

  • W prawym dolnym rogu okna eksperymentu kliknij Uruchom eksperyment.

Po zakończeniu eksperymentu możemy przejść do następnego kroku, jakim jest przejrzenie wynikowych wskaźników modelu.

Czy ta strona była pomocna?

Jeżeli natkniesz się na problemy z tą stroną lub jej zawartością — literówkę, brakujący krok lub błąd techniczny — daj nam znać!