Создание и настройка эксперимента
Первым шагом является создание и настройка эксперимента. Будет использоваться набор данных для обучения, загруженный ранее, чтобы обучить модель, пока она не будет готова к развертыванию и прогнозированию.
Создание нового эксперимента
Выполните следующие действия.
-
В хабе Аналитика Qlik Cloud нажмите кнопку Добавить и выберите Новый эксперимент машинного обучения.
-
Введите имя эксперимента, например: «Обучение для прогнозирования оттока клиентов».
-
При необходимости добавьте описание и теги.
-
Выберите пространство для эксперимента. Это может быть личное или общее пространство.
-
Нажмите кнопку Создать.
-
Выберите файл Customer churn data - training.csv.
Анализ данных
Теперь все готово, чтобы приступить к настройке эксперимента, но прежде чем начать, давайте взглянем на набор данных.
Начнем с вида схемы. Здесь мы видим таблицу, в которой каждая строка представляет столбец в наборе данных. Статистические и аналитические данные были получены в ходе автоматической подготовки данных. Может потребоваться прокрутить схему до конца вправо, чтобы увидеть раздел Наблюдения.
В таблице видно, что столбец AccountID был исключен из-за высокой кардинальности. Это означает, что столбец содержит слишком много уникальных значений. Признак Country был исключен по прямо противоположной причине: его значение одинаково во всех строках.Эти два признака не представляют никакой прогнозной ценности для моделей машинного обучения.
Мы также видим, что категориальный признак Territory задан методом кодирования влияния. Наведите курсор на значки предупреждения и информации
, чтобы получить дополнительную информацию.
Вид схемы для набора данных для обучения в Qlik AutoML
![Нажмите для просмотра в полном размере Столбец таблицы с аналитикой признаков.](../../Resources/Images/AutomatedMachineLearning/ui_automl_tutorial-insights.png)
Нажмите на значок вида данных , чтобы переключиться на вид данных. Здесь можно найти дополнительную информацию о каждом столбце, включая образцы данных.
Вид данных
![Нажмите для просмотра в полном размере Столбец таблицы с аналитикой признаков.](../../Resources/Images/AutomatedMachineLearning/ui_automl_tutorial-data_view.png)
Выбор цели
Для того чтобы модель машинного обучения спрогнозировала отток клиентов, в качестве цели необходимо выбрать Churned, это последний столбец в наборе данных.
Выполните следующие действия.
-
Щелкните значок
, чтобы снова переключиться на вид схемы.
-
Наведите курсор на Churned и щелкните появившийся значок цели
.
Строка на виде схемы выбрана в качестве цели
![Нажмите для просмотра в полном размере Строка таблицы для выбранной цели.](../../Resources/Images/AutomatedMachineLearning/tutorial-target.png)
На панели Конфигурация эксперимента видно, что сейчас выбрано Churned. Также видно, какие признаки выбраны и исключены автоматически. Так как Churned является целью, это поле нельзя использовать в качестве признака. Также видно, что этот эксперимент будет обрабатываться как задача двоичной классификации.
Информация, отображаемая на панели Конфигурация эксперимента
![Нажмите для просмотра в полном размере Строка таблицы для выбранной цели.](../../Resources/Images/automl-tutorial-config-pane.png)
Выбор признаков
При первом запуске эксперимента будут использоваться все признаки и алгоритмы, выбранные по умолчанию. Однако если вы уже знаете (из вашего бизнес-опыта), что определенные признаки никак не влияют на цель, вы можете отменить их выбор на данном этапе, чтобы исключить их из обучения.
Обучение эксперимента
Настройка завершена, и теперь можно приступать к обучению.
Выполните следующие действия.
Нажмите Запустить эксперимент в правом нижнем углу окна эксперимента.
Когда обучение эксперимента будет завершено, можно перейти к следующему шагу, который предполагает анализ полученных метрик модели.