Знакомство с автоматизированным машинным обучением

Автоматизируйте машинное обучение для своей команды аналитиков с помощью Qlik Predict. Благодаря простому интерфейсу без кода можно легко создавать эксперименты машинного обучения, позволяющие генерировать модели и создавать прогнозирования.

Что такое машинное обучение

Машинное обучение — это область искусственного интеллекта и науки о данных, которая основное внимание уделяет выявлению закономерностей в исторических данных для прогнозирования будущих результатов. Алгоритмы обучаются на основе данных, чтобы создавать прогнозные модели без специального программирования на выполнение этой задачи. Модель машинного обучения может помочь в решении таких задач, как:

• Продлит ли клиент фитнес-клуба свой абонемент?

• Какова ожидаемая пожизненная ценность данного клиента?

Для получения дополнительной информации об основных понятиях см. раздел Общее представление о машинном обучении. Здесь вы также узнаете об упорядоченной структуре для формулирования задач машинного обучения и подготовки наборов данных.

Что можно делать с помощью автоматизированного машинного обучения

Создавайте эксперименты с машинным обучением в Qlik Sense. В центре активности Аналитика можно работать над экспериментом вместе с другими пользователями и быстро загружать данные из каталога для обучения модели.

Интегрируйте прогнозную аналитику в приложения Qlik Sense и делитесь своими результатами. Исследуйте данные при помощи визуализаций и интерактивных сценариев альтернатив, чтобы понять, как изменение различных параметров может повлиять на желаемый результат.

Кроме того, вы можете выполнять прогнозирование с использованием наборов данных, хранящихся в каталоге, или оперативно создавать прогнозы в реальном времени с помощью API-интерфейсов Qlik Sense.

Как работают эксперименты

В ходе эксперимента производится обучение алгоритмов машинного обучения на основе определенного набора данных с конкретной целью. При обучении создаются модели машинного обучения, которые можно использовать для прогнозирования.

Большая часть процесса автоматизирована благодаря автоматизированному машинному обучению. При создании эксперимента и загрузке набора данных выполняется автоматический анализ набора данных. Данные предварительно обрабатываются, чтобы они были готовы к машинному обучению. Статистика и другие сведения о каждом столбце отображаются, что облегчает выбор цели. При запуске обучения несколько алгоритмов начинают поиск закономерностей в данных. Для получения дополнительной информации о создании и обучении экспериментов см. раздел Работа с экспериментами.

Оценки и ранжирование позволяют оценить созданные модели машинного обучения по окончании обучения. Посредством изменения параметров и количества итераций обучения можно создать несколько версий. Выберите модель с наилучшими показателями для набора данных и разверните ее, чтобы запустить прогнозирование. Для получения дополнительной информации см. раздел Работа с развертываниями машинного обучения.

Как показано на рисунке ниже, эксперимент может иметь несколько версий, каждая из которых использует один или несколько алгоритмов. Модель с наиболее эффективным алгоритмом можно развернуть для прогнозирования. Это означает, что из одного эксперимента может получиться несколько развертываний машинного обучения.

Ограничения для Qlik Predict

Qlik Predict — это дополнительная опция, предоставляемая за отдельную плату. Некоторые ограниченные функциональные возможности включены в применимые подписки. Наличие конкретных функций и метрик зависит от уровня вашей подписки.

• Производительность API-интерфейса Qlik Predict ограничена 300 запросами в минуту.

• Максимальное количество столбцов в наборе данных: 500

  Это касается наборов данных, используемых для обучения экспериментов и создания прогнозирований. При этом ограничивается количество столбцов, используемых в качестве признаков в версии эксперимента. В наборе данных может быть и больше столбцов. Ограничения рассчитываются при включении столбцов в набор данных.