Introduktionskurs – Generera och visualisera förutsägelsedata
I den här introduktionskursen lär du dig att använda Qlik Predict för att träna och distribuera en maskininlärningsmodell för att göra förutsägelser. Du lär dig också att visualisera förutsägelsedata i en Qlik Sense-app.
Vi kommer att ta upp scenariot med kundförluster, ett klassiskt exempel på ett binärt klassificeringsproblem. Målet är att på ett tillförlitligt sätt kunna förutsäga om en kund kommer att säga upp sin prenumeration eller fortsätta att prenumerera på en tjänst. Det finns bara två utfall i denna typ av problem: sant eller falskt (förlust eller ingen förlust).
För att närma oss detta maskininlärningsproblem börjar vi med att behandla en uppsättning data som vi redan känner till resultatet för, och tillämpar sedan statistisk modellering som skapats från dessa data på nya data som vi vill prognostisera resultatet för.
Du börjar den här handledningen med att skapa ett experiment. Därifrån kommer du att träna modeller och distribuera en av dem till en ML-distribution. Denna ML-distribution kommer att användas för att göra prognoser som kan visualiseras i en Qlik Sense-app.
Vad du kommer att lära dig
När du har gått igenom den här handledningen har du förstått de olika stegen för att skapa och konfigurera ett experiment. Du kommer också att lära dig hur du tolkar modellpoäng. Slutligen kommer du att kunna distribuera en maskininlärningsmodell och förstå hur dina prognosdata kan användas för att skapa övertygande Qlik Sense-visualiseringar i Qlik Cloud-analys.
Som standard tränar Qlik Predict dina modeller med intelligent modelloptimering. Med intelligent optimering sker automatisk förfining under träningen. Det ökar sannolikheten att dina modeller kommer att vara klara att distribueras efter en enda version som behöver minimalt med iteration.
Målgrupp för denna handledning
Denna handledning är utformad för användare som vill ha en introduktion till automatiserad maskininlärning och datavisualisering i Qlik Cloud-analys. Grundläggande kunskaper i maskininlärning och Qlik Sense är till hjälp, men inget krav.
För att slutföra den här självstudien behöver du rätt behörigheter i Qlik Cloud klientorganisationen och i de utrymmen där du kommer att arbeta. Vissa av dessa tilldelas av administratörer. Om du stöter på behörighetsfel under självstudien kontaktar du din klientorganisationsadministratör. Du behöver behörigheter för följande:
Skapa och arbeta med ML-experiment
Skapa och arbeta med ML-distributioner
Distribution av modeller och skapande av ML-distributioner
Aktivera distribuerade modeller
Arbeta med analysappar
Vad du behöver göra innan du börjar
Först hämtar du handledningsmaterialet som är länkat nedan. Välj mellan arbetsflöden för CSV och QVD. Det är frivilligt att hämta den förkonfigurerade appen.
När du har hämtat ditt material packar du upp det på skrivbordet.
MLTutorialDataCSV: Innehåller handledningsdata i CSV-format. Detta alternativ passar bättre för att komma igång snabbt.
MLTutorialDataQVF: Innehåller handledningsdata i formatet .qvf -skript som kan köras för att skapa QVD. Detta alternativ tar lite längre tid än CSV men passar som introduktion till att arbeta med dataformat och skript i Qlik.
MLTutorialPreConfiguredApp: Detta är valfritt. Det är en provkopia av Qlik Sense-appen som du ska bygga under handledningen. Detta gör att du kan hoppa över skedena träning och distribution för att tidigare få praktisk erfarenhet av att utveckla prognosapp.
Mer information finns i Alternativt arbetsflöde: ladda upp förkonfigurerad app.
Träningsdatauppsättningen innehåller information om kunder vars tidsfrist för förnyelse har gått ut och som har fattat beslut om att säga upp sin prenumeration eller fortsätta att prenumerera på tjänsten.
Den tillämpade datauppsättningen innehåller uppgifter om en ny uppsättning kunder vars förnyelsedatum ännu inte har passerats. Det har ännu inte fastställts om dessa kunder kommer att säga upp sina tjänster eller inte. Målet med den här handledningen är att förutsäga vad de här kunderna kommer att göra, i hopp om att vi ska kunna minska sannolikheten för att de kommer att säga upp sina tjänster.
Val 1: Qlik Predict datauppsättning för handledning (CSV)
Gör följande:
Öppna aktivitetscentret för Analyser.
Gå till sidan Skapa, välj Datauppsättning och välj sedan Ladda upp datafil.
Dra filen ML - Churn data - training.csv till dialogrutan för uppladdning.
Dra sedan filen ML - Churn data - apply.csv till dialogrutan för uppladdning.
Välj ett utrymme. Det kan vara ditt personliga utrymme eller ett delat utrymme om du vill att andra användare ska kunna få tillgång till dessa data.
Klicka på Ladda upp.
Nu när dina datauppsättningar laddats upp kan du fortsätta med att skapa ett experiment.
Val 2: Qlik Predict datauppsättning för handledning (QVD)
Gör följande:
Öppna aktivitetscentret för Analyser.
Gå till sidan Skapa, välj Ladda upp och välj sedan Skript.
Dra filerna till dialogrutan för uppladdning.
ML - Churn data - training.qvf
ML - Churn data - apply.qvf
Välj ett utrymme. Det kan vara ditt personliga utrymme eller ett delat utrymme om du vill att andra användare ska kunna få tillgång till dessa data.
Klicka på Ladda upp.
Gör följande för varje uppladdat skript:
Öppna skriptet och växla till fliken Redigerare.
I redigeraren klickar du på Exportera data.
Datauppsättningen QVD skapas i samma utrymme som du laddade upp skriptet till.
Nu när dina datauppsättningar har skapats kan du fortsätta med att skapa ett experiment.
Lektioner i denna handledning
Avsnitten i introduktionskursen är avsedda att slutföras i ordning. Du kan dock när som helst lämna kursen och återvända senare.
Vill du lära dig mer?
- Om du vill lära dig mer finns det en uppsjö av möjligheter i Qlik.
- Du har onlinehjälpen för Qlik.
- Utbildning, inklusive kostnadsfria onlinekurser, finns på Qlik Learning.
- Diskussionsforum, bloggar med mera finns i Qlik Community.
Din åsikt är viktig
Vi tar tacksamt emot all din feedback. I avsnittet nedan kan du berätta vad du tycker om oss.