Skapa och konfigurera experimentet

Det första steget är att skapa och konfigurera experimentet. Du kommer att använda det träningsdataset som du laddade upp tidigare för att träna modellen tills den är redo att distribueras för att göra förutsägelser.

Skapa ett nytt experiment

Gör följande:

1. Gå till Skapa-sidan i Analyser aktivitetscenter och välj ML-experiment.

2. Ange ett namn för ditt experiment, till exempel Självstudie för kundbortfall.

3. Du kan även lägga till en beskrivning och taggar.

4. Välj ett utrymme för ditt experiment. Det kan vara ditt personliga utrymme eller ett delat utrymme.

5. Klicka på Skapa.

6. Välj filen med träningsdatasetet. Detta är något av följande, beroende på om du arbetar med CSV eller QVD:

   • ML - Churn data - training.csv

   • ML - Churn data - training.qvd

Granska data

Nu är du redo att börja konfigurera ditt experiment, men innan du börjar ska vi ta en titt på datasetet.

Vi börjar på fliken Konfiguration. Standardvyn är Schemavy. Här kan vi se en tabell där varje rad representerar en kolumn i ditt dataset. Statistik och insikter har genererats i automatisk dataförberedelse. Du kan behöva rulla till höger i schemat för att se Insikter.

Vi kan se att AccountID har uteslutits på grund av hög kardinalitet. Det innebär att kolumnen innehåller för många unika värden. Funktionen Country har uteslutits av motsatt anledning: värdet är detsamma för alla rader. Dessa två funktioner skulle inte tillföra något värde till maskininlärningsmodellerna.

Vi kan också se att den kategoriska funktionen Territory har effektkodats. Håll muspekaren över ikonerna för varning och information för mer information.

Klicka på Datavy. I den här vyn kan vi se mer information om varje kolumn, inklusive exempeldata.

Välja ett mål

Vi vill att vår maskininlärningsmodell ska förutsäga kundbortfall, så vi väljer Churned, den sista kolumnen i datasetet, som vårt mål.

Gör följande:

1. Växla tillbaka till Schemavy.

2. Håll muspekaren över Churned och klicka på målikonen som visas.

I panelen för experimentkonfiguration expanderar du Experimentinställningar. Du kan se att Churned har valts som mål. Baserat på ditt mål och tillgängliga funktionsdata är Experimenttyp Binär klassificering.

Du kan också se vilka funktioner som väljs och utesluts automatiskt. Churned är målet, så det kommer inte att användas som en funktion.

Funktionsval och modelloptimering

Som standard är experimentet inställt på att använda intelligent modelloptimering. För att bekräfta expanderar du Modelloptimering i panelen för experimentkonfiguration. Alternativet Intelligent ska vara markerat.

Funktionsval kan konfigureras manuellt i delavsnittet Funktioner i konfigurationspanelen. Med intelligent modelloptimering hanteras funktionsval automatiskt genom att oanvändbara funktioner tas bort. Med den här inställningen aktiverad kan vi inkludera alla tillgängliga funktioner i träningen.

Träna experimentet

Konfigurationen är klar och vi är redo att starta träningen.

Gör följande:

• Klicka på Kör experiment.

När experimentet har körts klart kan vi gå vidare till nästa steg, vilket är att granska de resulterande modellmätvärdena.