Пример. Анализ «что если» с помощью аналитического коннектора Qlik Predict

В этом примере вы настроите анализ «что если» для моделирования изменения прогнозируемых значений при корректировке различных переменных. Пример включает обучение и развертывание модели бинарной классификации в Qlik Predict, а также ее использование для создания прогнозов с помощью аналитического коннектора Qlik Predict.

Результат анализа «что если» — Приложение для анализа «что если»

Перед началом работы

Загрузить материалы примера

Загрузите ресурсы примера здесь:

WhatIfAnalysisExample.zip

Материалы состоят из следующего:

Набор данных для обучения — data-turnover-employees.xlsx. Этот набор данных используется как для обучения, так и для прогнозов в примере.
Приложение — What-If Analysis.qvf. Приложение нельзя использовать для создания прогнозов без предварительного обучения и развертывания модели.

Предварительные условия

Перед началом работы убедитесь в следующем:

Ваша подписка Qlik Cloud позволяет выполнять прогнозы в реальном времени. Ознакомьтесь со следующей информацией или обратитесь к владельцу сервисной учетной записи клиента.
- Цены Qlik
- Подписки Qlik Cloud®
Администратор клиента включил конечные точки машинного обучения.

Включение конечных точек машинного обучения в Qlik Cloud
У вас есть необходимые разрешения, назначенные администратором клиента:
- Для разрешения Подключения к данным установлено значение Разрешено.
  
  Присвоение пользователям разрешений для работы с подключениями данных
- Разрешения для работы с экспериментами.
  
  Доступ пользователя к экспериментам машинного обучения
- Разрешения для работы с развертываниями и работы с аналитическим коннектором Qlik Predict.
  
  Доступ пользователя к развертываниям машинного обучения и прогнозам

Часть 1. Загрузка набора данных

Выполните следующие действия.

Перейдите на страницу создания центра активности Аналитика и выберите Набор данных.
Нажмите Загрузить файл данных.
Перетащите файл данных data-turnover-employees.xlsx в диалоговое окно Добавить файл.
Выберите целевое пространство для файла. Это может быть ваше личное пространство или общее пространство. Используйте одно и то же пространство для всех ресурсов учебного пособия.
Нажмите Загрузить.

Часть 2. Обучение эксперимента

Создайте, настройте и запустите эксперимент для обучения модели бинарной классификации. Все доступные характеристики будут включены по умолчанию.

Выполните следующие действия.

Перейдите на страницу создания центра активности Аналитика и выберите Эксперимент МО.
Введите имя для эксперимента, например Employee turnover analysis.
Выберите пространство для эксперимента (используйте то же пространство, которое вы использовали в разделе Часть 1. Загрузка набора данных).
Нажмите Создать.
Выберите файл набора данных для обучения data-turnover-employees.xlsx.
Выберите столбец left в качестве цели. Это столбец, указывающий, покинул ли сотрудник компанию.
Нажмите Запустить эксперимент.

Часть 3. Развертывание и активация наиболее эффективной модели

Развертывание

После завершения обучения эксперимента вы перейдете на вкладку Модели. Разверните наиболее эффективную модель как развертывание МО.

Выполните следующие действия.

Нажмите рядом с моделью, возле которой есть значок .
Нажмите Развернуть.
Выберите параметр для развертывания модели в Новое развертывание.
Введите имя для развертывания, например Employee Turnover Predictions.
При необходимости настройте пространство, описание и теги.
Включите Включить доступ к API в реальном времени. Это необходимо для выполнения прогнозов с помощью аналитического коннектора Qlik Predict.
Нажмите Создать.

Активация

Откройте только что созданное развертывание.

В верхней части интерфейса развертывания машинного обучения баннер указывает на то, что утверждающему модель необходимо активировать модель по умолчанию для создания прогнозов.

Выполните следующие действия.

На баннере в верхней части развертывания машинного обучения нажмите Активировать модель.
В открывшемся диалоговом окне нажмите Активировать модель для подтверждения.

Часть 4. Создание подключения к аналитическому коннектору Qlik Predict

Затем создайте подключение к аналитическому коннектору Qlik Predict. Это позволит вам создавать прогнозы на лету в аналитическом приложении.

Выполните следующие действия.

Перейдите на страницу создания центра активности Аналитика и выберите Подключение к данным.
В разделе Пространство выберите то же пространство, которое вы использовали в разделе Часть 1. Загрузка набора данных.
Выберите коннектор Qlik Predict.
Выберите Развертывание МО, которое вы создали в разделе Часть 3. Развертывание и активация наиболее эффективной модели.
Введите следующее Имя: MLModel.
Нажмите Создать.

Часть 5. Загрузка аналитического приложения

Загрузите аналитическое приложение, которое вы загрузили в разделе Загрузить материалы примера.

Выполните следующие действия.

Перейдите на страницу создания центра активности Аналитика.
В разделе Данные и загрузка выберите Загрузить.
Перетащите приложение What-If Analysis.qvf в диалоговое окно.
В разделе Пространство выберите то же пространство, которое вы использовали в разделах Часть 1. Загрузка набора данных и Часть 4. Создание подключения к аналитическому коннектору Qlik Predict.
Нажмите Загрузить.

После загрузки приложения откройте его, а затем откройте лист What-If Analysis.

Приложение предварительно настроено, поэтому вам не нужно добавлять листы и выражения. Однако каждый шаг подробно описан в разделе Понимание приложения.

Изучение результатов

Теперь у вас открыт лист What-If Analysis в приложении.

Выполните следующие действия.

Выберите значение одного сотрудника в поле employee_number. Значение появится в Ключевом показателе эффективности Risk of Turnover.
Отрегулируйте ползунки под Ключевым показателем эффективности. При каждой корректировке выполняется моделирование для прогнозирования риска оттока сотрудников.

Понимание приложения

Загруженные данные

Набор данных для обучения, использованный в разделе Часть 2. Обучение эксперимента, используется в качестве данных приложения. В реальных сценариях это может быть не всегда так.

Переменные листа

Были созданы следующие переменные, каждая с пустым определением по умолчанию. Определение оставлено пустым, поскольку значения переменных обновляются на лету во время анализа.

Переменные для анализа «что если»
Имя переменной	Характеристика модели, которую она представляет	Определение переменной по умолчанию
vSatisfactionLevel	satisfaction_level	-
vTimeSpent	time_spend_company	-
vNumberOfProjects	number_project	-
vAvgMonthlyHoursWorked	average_monthly_hours	-

Ключевой показатель эффективности и выражение

На лист был добавлен Ключевой показатель эффективности. Используется следующее выражение диаграммы:

endpoints.ScriptEvalStr('{"RequestType":"endpoint", "endpoint":{"connectionname":":MLModel","column":"left_yes"}}',
	vSatisfactionLevel as satisfaction_level,
	vTimeSpent as time_spend_company,
	last_evaluation,
	vNumberOfProjects as number_project,
	vAvgMonthlyHoursWorked as average_monthly_hours)

Вычисление представляет риск текучести кадров для выбранного сотрудника.

В разделах ниже описано, как это выражение использует синтаксис серверных расширений для вызова API машинного обучения для прогнозов в реальном времени.

Разбор выражения

Выражение использует синтаксис серверных расширений (SSE) для создания прогнозов на лету.

Префикс endpoints.ScriptEvalStr указывает на использование серверных расширений. В частности, используется функция ScriptEvalStr. Эта функция позволяет указать имя подключения, цель и характеристики без явного объявления типов. Другими словами, API автоматически определяет типы характеристик при использовании этой функции.

Синтаксис серверных расширений

Этот сегмент дополнительно вызывает серверные расширения, указывая, что запрос предназначен для доступа к определенной конечной точке.

Синтаксис серверных расширений

Сегмент "endpoint":{"connectionname":"MLModel" указывает имя используемого подключения. Оно должно совпадать с именем подключения, указанным в разделе Часть 4. Создание подключения к аналитическому коннектору Qlik Predict. Подключение также содержит префикс :, указывающий, что используемое подключение находится в том же пространстве, что и приложение.

Сегмент column":"left_yes" указывает, что мы хотим использовать столбец left в качестве цели. Суффикс _yes указывает, что мы ищем вероятность исхода yes. Другими словами, мы не запрашиваем конкретное прогнозируемое значение, а вместо этого запрашиваем вероятность прогнозирования положительного значения.

После указания целевого столбца нам нужно указать характеристики в модели. Характеристики модели можно получить, открыв развертывание МО (созданное в разделе Часть 3. Развертывание и активация наиболее эффективной модели), а затем открыв Обзор развертывания. Откроется схема модели: список характеристик и их типы.

Схема модели в обзоре развертывания для развертывания МО. — Обзор развертывания в развертывании МО, показывающий Схему модели

Отсюда список характеристик можно составить в виде списка, разделенного запятыми. Подстановки переменных — с использованием ключевого слова "as" — указывают, что текущие значения переменных должны использоваться в качестве данных характеристик, а не самих данных приложения. Эти подстановки переменных позволяют выполнять интерактивное моделирование «что если», продемонстрированное в этом примере.

vSatisfactionLevel as satisfaction_level,
vTimeSpent as time_spend_company,
last_evaluation,
vNumberOfProjects as number_project,
vAvgMonthlyHoursWorked as average_monthly_hours)

Список характеристик в выражении должен включать все характеристики в схеме модели. В противном случае прогнозы завершатся ошибкой. Кроме того, если в выражении перечислены характеристики, которые не отображаются в схеме модели, прогнозы также завершатся ошибкой. Если вы обучили модель, которая не имеет идентичного набора характеристик, перечисленных в выражениях выше, вам потребуется отредактировать выражение, чтобы включить или удалить характеристики соответствующим образом.

Объекты ввода переменных

На лист были добавлены четыре элемента управления вводом переменных — по одному для каждой переменной. Были выполнены следующие настройки:

Была выбрана переменная для использования.
В качестве типа ввода был выбран Ползунок.
Были настроены минимальные и максимальные диапазоны для каждой переменной на основе значений, которые могли бы разумно возникнуть в соответствии с исходными данными.

For more information about variable input objects, see Создание элемента управления для ввода переменной.

Фильтр

Был добавлен Фильтр для удобного выбора сотрудника, на котором нужно сосредоточиться.

Таблица с исходными данными

В нижней части листа также была добавлена прямая таблица, чтобы было легко увидеть исходные данные — до того, как они были изменены во время анализа «что если».

Синтаксис серверных расширений

Использование подключений Qlik Predict в выражениях визуализации

Помогла ли вам эта страница?

Если вы обнаружили какую-либо проблему на этой странице или с ее содержанием — будь то опечатка, пропущенный шаг или техническая ошибка, сообщите нам об этом!

Оставьте свой отзыв здесь