教學課程 – 產生並視覺化預測資料

此教學課程教您如何使用 Qlik AutoML 訓練並部署機器學習模型，以進行預測。這也會教您如何可以視覺化 Qlik Sense 應用程式中的預測資料。

我們將會考慮客戶流失的情境，這是二元分類問題的經典範例。目標是能夠可靠地預測客戶會取消訂閱或維持服務訂閱者身分。此問題類型中只有兩個結果：真或假 (已流失或未流失)。

為了處理此機器學習問題，我們將會從處理已知結果的資料集開始，然後將從資料建立的統計模型套用至我們想要預測結果的新資料。

我們將會建立實驗以開始本教學課程。由此，您將訓練模型並在 ML 部署中部署其中一個模型。此 ML 部署將會用來建立預測，這可在 Qlik Sense 應用程式中視覺化。

您將會學習的內容

完成本教學課程後，您將會理解涉及建立和設定實驗的不同步驟。您也會瞭解如何解譯模型分數。最後，您將能夠部署機器學習模型，並將會理解預測資料可以如何用來在 Qlik Cloud 分析中產生精彩的 Qlik Sense視覺化。

依照預設，Qlik AutoML 會透過智慧模型最佳化訓練模型。透過智慧最佳化，可在訓練流程期間執行自動精簡。這會提升模型準備好在單一版本後部署的可能性，不太需要進一步反覆運作。

本教學課程的設計適合想要在 Qlik Cloud 分析中採用自動化機器學習和資料視覺化的使用者。某些機器學習和 Qlik Sense 的基本知識很實用，但不是必要。

若要完成此教學課程，您需要下列內容：

專業或 Full User 權限
Qlik Cloud 租用戶中的 Automl Experiment Contributor 和 Automl Deployment Contributor 安全性角色
核准已部署模型的權限。具體而言，您需要以下其中一項：
- 核准或拒絕 AutoML 模型 (使用者權限)
- 核准或拒絕 AutoML 模型 (管理員權限)
您工作所在空間中的所需空間角色。請參閱：在共用空間中管理權限 及 在受管理空間中管理權限

若您無法檢視或建立 ML 資源，這可能表示您沒有所需角色、權利或權限。聯絡租用戶管理員瞭解更多資訊。

如需詳細資訊，請參閱誰可以使用 Qlik AutoML。

首先，您需要下載以下連結的教學課程材料。在 CSV 和 QVD 工作流程之間選擇。下載預先設定的應用程式為選擇性質。

若您已下載所需的材料，請在桌面解壓縮。

MLTutorialDataCSV：包含 CSV 格式的教學課程資料。此選項更容易快速開始使用。
MLTutorialDataQVF：包含 .qvf 指令碼格式的教學課程資料，可執行以建立 QVD。此選項需要的時間比 CSV 更長一點，但很實用，可引導您使用 Qlik 資料格式和指令碼。
MLTutorialPreConfiguredApp：此項目是選用。這是您將在教學課程期間建置的 Qlik Sense 應用程式副本範例。這可讓您略過訓練和部署階段，更快速地透過預測性應用程式開發獲得實務體驗。

如需詳細資訊，請參閱替代工作流程：上傳預先設定的應用程式。

訓練資料集包含關於客戶的資訊，這些客戶已超過續約期限，並已決定要流失或維持訂閱服務。

套用資料集包含關於新客戶集合的詳細資訊，這些新客戶尚未超過續約日期。尚未決定這些客戶是否會取消服務。本教學課程的目標是預測此客戶集合將會怎麼做，並希望我們可以降低流失的可能性。

請執行下列動作：

現在您的資料集上傳後，就能繼續建立實驗。

請執行下列動作：

開啟分析活動中心。
前往「建立」頁面，選取上傳，然後選取指令碼。
將這些檔案拖曳至上傳對話方塊：
- ML - Churn data - training.qvf
- ML - Churn data - apply.qvf
選取空間。這可以是個人空間或共用空間 (若您希望其他使用者能夠存取此資料)。
按一下上傳。
對於每個上傳的指令碼，進行下列事項：
1. 開啟指令碼並切換至編輯器索引標籤。
2. 在編輯器中，按一下匯出資料。
就會在上傳指令碼的相同空間中建立 QVD 資料集。

現在您的資料集建立後，就能繼續建立實驗。

本教學課程中主題的設計應按順序完成。不過，您可以隨時離開並返回。

我們對於您可能有的任何意見反應都十分感謝。請使用以下區段讓我們瞭解我們的表現如何。

若您發現此頁面或其內容有任何問題——錯字、遺漏步驟或技術錯誤——請告知我們可以如何改善！