Skapa en DataRobot-koppling

DataRobot -kopplingar skapas i Skriptredigeraren eller Skriptredigeraren.

När du har skapat en koppling kan du välja data från tillgängliga tabeller och skicka till DataRobot för beräkningar och sedan läsa in dessa data i din app. Den här kopplingen kan inte enbart användas i dina datainläsningsskript utan även i diagramuttryck för att anropa modellslutpunkter och göra diagramuttrycksberäkningar i realtid.

Du måste känna till inställningarna och inloggningsuppgifterna för DataRobot-tjänsten som du vill ansluta till.

Inställningar som kan konfigureras

Följande inställningar kan konfigureras i kopplingsdialogen:

Inställningar som kan konfigureras i kopplingsdialogen
Fält	Beskrivning
Välj konfiguration	Element i listrutan för att välja konfigurationen som avgör vilka DataRobot-modeller som ska användas för förutsägelser i maskininlärningsmodellen. Konfigurationer som stöds: DataRobot Predictions DataRobot Timeseries Predictions
Driftsättning	Driftsättnings-ID: driftsättningsidentifieraren för den skapade driftsättningen i DataRobot-molnet. Värd-URL: Värd-URL till DataRobot-plattformen där DataRobot-modellen driftsätts.
Autentisering	Tillhandahåll API-nyckel och DataRobot-nyckel till DataRobot-slutpunkterna. Alla API-slutpunkter till DataRobot använder API-nycklar som autentiseringsläge.
Förutsägelsetyp	Tillgängliga förutsägelsetyper: Predictions Predictions with explanations DataRobot’s Prediction Explanations gör det möjligt för dig att beräkna effekten av ett konfigurerbart antal funktioner för varje utfall som din modell genererar.
Begäran	Fältformat: kan valfritt läggas till och anges inklusive Namn och Värde. Tidsstämpelformat: måste ändras om standardformatet inte passar det som används av modellen.
Svarstabell	Namn på den returnerade tabellen: Namn på den returnerade tabellen från den driftsatta maskininlärningsmodellen.
Svarsfält	Ladda alla tillgängliga fält: Aktivera laddning av alla tillgängliga fält som returneras av maskininlärningens slutpunkt. Om du inaktiverar det här kan du ange de tabellfält och värden som ska laddas i appen. När du utvecklar appar rekommenderas det att du börjar med att ladda alla fält som returneras från modellens slutpunkt och sedan eventuellt tar bort de fält som inte behövs för analysen i appen. Transponera matriser som kolumner i svar: transponera matriser som kolumner och välj hur många matrisobjekt som ska transponeras som kolumner JMESPath-frågespråk kan användas till att ange värde, till exempel [*] för att ange att matrisen är rotobjektet. DataRobot använder kapslade matriser i de returnerade resultaten. https://docs.datarobot.com/en/docs/predictions/api/dr-predapi.html#prediction-objects.
Association	Associationsfält: Ett fält från indatatabellen som innehåller en unik identifierare. Det här fältet behöver inkluderas i källdata när du gör en slutpunktsbegäran för att resultattabellen som returneras ska associeras till källfältstabellen med en nyckel. Det utsedda fältet kommer att returneras som ett fält i svaret och göra det möjligt för förutsägelser att kopplas till källdata i datamodellen. Det kan vara alla fält med ett unikt ID, antingen från källdata eller som en del av tabellens laddningsprocess. Skicka associationsfält: När det har valts kommer fältet som angetts i associationsfältet att både returneras till Qlik Sense och inkluderas i fälten som skickas till slutpunkten Om fältet tillhör dessa källdata och förväntas av modellen behöver det skickas till modellen genom att aktivera Skicka associationsfält.
Namn	Namnet på kopplingen. Standardnamnet kommer att användas om du inte anger ett namn.

Skapa en ny koppling

Gör följande:

Använd kopplingen viaSkriptredigeraren eller Skriptredigeraren.

Klicka på Skapa ny koppling och välj DataRobot-kopplingen från listan.
Fyll i kopplingsdialogfälten.
Klicka på Skapa.

Din koppling listas nu under Datakopplingar i Skriptredigeraren eller Skriptredigeraren.

Var den här sidan till hjälp för dig?

Om du hittar några fel på denna sida eller i innehållet – ett stavfel, ett steg som saknas eller ett tekniskt fel – berätta för oss så att vi kan blir bättre!

Lämna din feedback här