跳到主要內容 跳至補充內容

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。

本教學課程顯示如何識別資料集和訓練結果的常見問題,以手動反覆運作模型。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。如需如何透過智慧最佳化訓練模型的範例,請參閱 範例 – 透過自動化機器學習訓練模型

誰應完成本教學課程

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 ContributorAutoml 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 誰能使用 Qlik AutoML

開始前需要進行的事項

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。

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。

選項 1:AutoML 教學課程資料集 (CSV)

  1. 開啟 分析 活動中心

  2. 前往「建立」頁面,選取資料集,然後選取上傳資料檔案

  3. AutoML Tutorial - Churn data - training.csv 檔案拖曳至上傳對話方塊。

  4. 接下來,將 AutoML Tutorial - Churn data - apply.csv 檔案拖曳至上傳對話方塊。

  5. 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)。

  6. 按一下上傳

現在您的資料集上傳後,就能繼續建立實驗。

選項 2:AutoML 教學課程資料集 (QVD)

  1. 開啟 分析 活動中心。

  2. 前往「建立」頁面,選取上傳,然後選取指令碼

  3. 將這些檔案拖曳至上傳對話方塊:

    • AutoML Tutorial - Churn data - training.qvf

    • AutoML Tutorial - Churn data - apply.qvf

  4. 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)。

  5. 按一下上傳

  6. 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. 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。

本教學課程的授課單元

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。

進一步讀取和資源

您的意見很重要

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。

此頁面是否對您有幫助?

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!