Example - What-if analysis with the Qlik Predict analytics connector
Bu örnekte, farklı değişkenler ayarlandığında tahmin edilen değerlerin nasıl değiştiğini simüle etmek için bir durum (what-if) analizi yapılandıracaksınız. Örnek, Qlik Predict içinde bir ikili sınıflandırma modelini eğitmeyi ve dağıtmayı ve bunu Qlik Predict analitik bağlayıcısı ile tahminler oluşturmak için kullanmayı içerir.
Durum (what-if) analizi uygulaması
Başlamadan önce
Örnek materyalleri indirin
Örnek kaynakları buradan indirin:
Materyaller şunlardan oluşur:
-
Bir eğitim veri kümesi—data-turnover-employees.xlsx. Bu veri kümesi, örnek için hem eğitim hem de tahminler için kullanılır.
-
Bir uygulama—What-If Analysis.qvf. Uygulama, önce bir model eğitilip dağıtılmadan tahminler oluşturmak için kullanılamaz.
Önkoşullar
Başlamadan önce şunlardan emin olun:
-
Qlik Cloud aboneliğiniz gerçek zamanlı tahminler çalıştırabilir. Aşağıdakilere başvurun veya kiracı hizmet hesabı sahibiyle iletişime geçin.
-
Kiracı yöneticiniz makine öğrenimi uç noktalarını etkinleştirmiş olmalıdır.
-
Bir kiracı yöneticisi tarafından size atanan gerekli izinlere sahipsiniz:
-
Veri bağlantıları izni İzin verildi olarak ayarlanmış olmalıdır.
Kullanıcıların veri bağlantılarıyla çalışması için izinler atama
-
Deneylerle çalışmak için izinler.
-
Dağıtımlarla çalışmak ve Qlik Predict analitik bağlayıcısı ile çalışmak için izinler.
-
Bölüm 1: Veri kümesini yükleyin
Aşağıdakileri yapın:
-
Analiz etkinlik merkezinin Oluştur sayfasına gidin ve Veri kümesi'ni seçin.
-
Veri dosyasını yükle'ye tıklayın.
-
data-turnover-employees.xlsx veri dosyasını Dosya ekle iletişim kutusuna sürükleyip bırakın.
-
Dosya için bir hedef alan seçin. Bu, kişisel alanınız veya paylaşılan bir alan olabilir. Tüm eğitim varlıkları için aynı alanı kullanın.
-
Yükle'ye tıklayın.
Bölüm 2: Deneyi eğitin
Bir ikili sınıflandırma modelini eğitmek için bir deney oluşturun, yapılandırın ve çalıştırın. Mevcut tüm özellikler varsayılan olarak dahil edilecektir.
Aşağıdakileri yapın:
-
Analiz etkinlik merkezinin Oluştur sayfasına gidin ve ML deneyi'ni seçin.
-
Deneyiniz için bir ad girin, örneğin Çalışan devir analizi.
-
Deney için bir alan seçin (Bölüm 1: Veri kümesini yükleyin bölümünde kullandığınız aynı alanı kullanın).
-
Oluştur'a tıklayın.
-
Eğitim veri kümesi dosyası olan data-turnover-employees.xlsx dosyasını seçin.
-
left sütununu hedef olarak seçin. Bu, bir çalışanın şirketten ayrılıp ayrılmadığını gösteren bir sütundur.
-
Deneyi çalıştır'a tıklayın.
Bölüm 3: En iyi performans gösteren modeli dağıtın ve etkinleştirin
Dağıtım
Deney eğitimi tamamlandıktan sonra Modeller sekmesine yönlendirilirsiniz. En iyi performans gösteren modeli bir ML dağıtımı olarak dağıtın.
Aşağıdakileri yapın:
-
Yanında
simgesi bulunan modelin yanındaki 
simgesine tıklayın. -
Dağıt'a tıklayın. -
Modeli Yeni bir dağıtım'a dağıtma seçeneğini belirleyin.
-
Dağıtımınız için Çalışan Devir Tahminleri gibi bir ad yazın.
-
Gerekirse alanı, açıklamayı ve etiketleri ayarlayın.
-
Gerçek zamanlı API erişimini etkinleştir seçeneğini açın. Bu, Qlik Predict analitik bağlayıcısı ile tahminleri çalıştırmak için gereklidir.
-
Oluştur'a tıklayın.
Etkinleştirme
Yeni oluşturulan dağıtımı açın.
ML dağıtım arayüzünün üst kısmındaki bir afiş, bir model onaylayıcısının tahminler yapmak için varsayılan modeli etkinleştirmesi gerektiğini belirtir.
Aşağıdakileri yapın:
-
ML dağıtımının üst kısmındaki afişte Modeli etkinleştir'e tıklayın.
-
Açılan iletişim kutusunda onaylamak için Modeli etkinleştir'e tıklayın.
Bölüm 4: Qlik Predict analitik bağlayıcısına bir bağlantı oluşturun
Ardından, Qlik Predict analitik bağlayıcısına bir bağlantı oluşturun. Bu, analitik uygulaması içinde anında tahminler oluşturmanıza olanak tanır.
Aşağıdakileri yapın:
-
Analiz etkinlik merkezinin Oluştur sayfasına gidin ve Veri bağlantısı'nı seçin.
-
Alan altında, Bölüm 1: Veri kümesini yükleyin bölümünde kullandığınız aynı alanı seçin.
-
Qlik Predict bağlayıcısını seçin.
-
Bölüm 3: En iyi performans gösteren modeli dağıtın ve etkinleştirin bölümünde oluşturduğunuz ML dağıtımı'nı seçin.
-
Aşağıdaki Adı girin: MLModel.
-
Oluştur'a tıklayın.
Bölüm 5: Analitik uygulamasını yükleyin
Örnek materyalleri indirin bölümünde indirdiğiniz analitik uygulamasını yükleyin.
Aşağıdakileri yapın:
-
Analiz etkinlik merkezinin Oluştur sayfasına gidin.
-
Veri ve yükleme altında Yükle'yi seçin.
-
What-If Analysis.qvf uygulamasını iletişim kutusuna bırakın.
-
Alan altında, Bölüm 1: Veri kümesini yükleyin ve Bölüm 4: Qlik Predict analitik bağlayıcısına bir bağlantı oluşturun bölümlerinde kullandığınız aynı alanı seçin.
-
Yükle'ye tıklayın.
Uygulamayı yükledikten sonra açın ve ardından What-If Analysis sayfasını açın.
Sonuçları keşfedin
Artık uygulamada What-If Analysis sayfası açılmış durumdadır.
Aşağıdakileri yapın:
-
employee_number alanında tek bir çalışan değeri seçin. Devir Riski KPI'sında bir değer görünür.
-
KPI'nın altındaki kaydırıcıları ayarlayın. Her ayarlamada, çalışan kaybı riskini tahmin etmek için bir simülasyon gerçekleştirilir.
Tek bir çalışan seçilmiş ve değişkenler ayarlanmış durum (what-if) analizi.
Uygulamayı anlama
Yüklenen veri
Bölüm 2: Deneyi eğitin bölümünde kullanılan eğitim veri kümesi, uygulama verisi olarak kullanılır. Gerçek dünya senaryolarında bu her zaman böyle olmayabilir.
Sayfa değişkenleri
Her biri boş bir varsayılan tanıma sahip aşağıdaki değişkenler oluşturulmuştur. Değişken değerleri bunun yerine analiz sırasında anında güncellendiği için tanım boş bırakılmıştır.
| Değişken adı | Temsil ettiği model özelliği | Değişken varsayılan tanımı |
|---|---|---|
| vSatisfactionLevel | satisfaction_level | - |
| vTimeSpent | time_spend_company | - |
| vNumberOfProjects | number_project | - |
| vAvgMonthlyHoursWorked | average_monthly_hours | - |
KPI ve ifade
Sayfaya bir KPI eklendi. Aşağıdaki grafik ifadesi kullanılır:
endpoints.ScriptEvalStr('{"RequestType":"endpoint", "endpoint":{"connectionname":":MLModel","column":"left_yes"}}',
vSatisfactionLevel as satisfaction_level,
vTimeSpent as time_spend_company,
last_evaluation,
vNumberOfProjects as number_project,
vAvgMonthlyHoursWorked as average_monthly_hours)Hesaplama, seçilen çalışan için devir riskini temsil eder.
Aşağıdaki bölümler, bu ifadenin gerçek zamanlı tahminler için Makine Öğrenimi API'si öğesini çağırmak üzere sunucu tarafı genişletme sözdizimini nasıl kullandığını özetlemektedir.
İfadeyi parçalara ayırma
İfade, anında tahminler oluşturmak için sunucu tarafı genişletme (SSE) sözdizimini kullanır.
Hedef sütunu belirttikten sonra, modeldeki özellikleri belirtmemiz gerekir. Model özellikleri, ML dağıtımı (Bölüm 3: En iyi performans gösteren modeli dağıtın ve etkinleştirin bölümünde oluşturulan) açılarak ve ardından Dağıtıma genel bakış açılarak elde edilebilir. Bu, model şemasını açar: özelliklerin ve özellik türlerinin listesi.
Bir ML dağıtımında Model şemasını gösteren Dağıtıma genel bakış
Buradan, özelliklerin listesi virgülle ayrılmış bir liste olarak oluşturulabilir. Değişken değiştirmeleri ("as" anahtar sözcüğünü kullanarak), uygulama verisinin kendisi yerine değişkenlerin geçerli değerlerinin özellik verisi olarak kullanılacağını gösterir. Bu değişken değiştirmeleri, bu örnekte gösterilen etkileşimli "durum (what-if)" simülasyonuna olanak tanır.
vSatisfactionLevel as satisfaction_level,
vTimeSpent as time_spend_company,
last_evaluation,
vNumberOfProjects as number_project,
vAvgMonthlyHoursWorked as average_monthly_hours)Değişken giriş nesneleri
Sayfaya dört değişken giriş denetimi eklendi; her değişken için bir tane. Aşağıdaki yapılandırmalar yapılmıştır:
-
Kullanılacak değişken seçildi.
-
Giriş türü Kaydırıcı olarak seçildi.
-
Orijinal verilere göre makul bir şekilde ortaya çıkabilecek değerlere dayalı olarak her değişken için minimum ve maksimum aralıklar yapılandırıldı.
Değişken giriş nesneleri hakkında daha fazla bilgi için bkz. Değişken girişi kontrolleri oluşturma.
Filtre bölmesi
Odaklanılacak çalışanın kolayca seçilmesini sağlamak için bir filtre bölmesi eklendi.
Orijinal verileri içeren tablo
Durum (what-if) analizi sırasında değiştirilmeden önce orijinal verileri görmeyi kolaylaştırmak için sayfanın altına bir düz tablo da eklendi.