Jedną z kwestii, na którą powinieneś zwrócić uwagę jako ekspert uczenia maszynowego lub analityk danych, jest usprawnienie procesu budowania modeli.

Model uczenia maszynowego Dzięki robotowi Data świat sztucznej inteligencji zmierza w kierunku, w którym usługi oparte na chmurze tworzą inteligentne modele na podstawie dostarczonych danych.

W związku z tym, jeśli chcesz korzystać z takich usług, tworzyć usługi w oparciu o sztuczną inteligencję lub nie masz doświadczenia w budowaniu inteligentnych modeli, w tym artykule znajdziesz podstawowe i ciekawe informacje z tego zakresu.

Co to jest DataRobot?

DaneRobota opiera się na algorytmach i zastosowaniach open source Gotowy na sztuczną inteligencję usługi zapewniające dostępne funkcje do budowania i wdrażania maszyn uczenie się.

DaneRobota to zaawansowana reklama sztuczna inteligencja platforma, która demokratyzuje naukę danych i automatyzuje kompleksowy proces projektowania, wdrażania i wdrażania inteligentnych algorytmów. DaneRobota obsługuje najnowsze algorytmy open source i jest zorientowany na chmurę, można go wdrożyć za pośrednictwem chmury, jako usługę lokalną lub jako pełną usługę zarządzaną przez programistę Usługa AI. We wszystkich przypadkach użytkownicy lub firmy mogą korzystać z mocy sztuczna inteligencja w celu osiągnięcia efektywnych wyników biznesowych. W tym artykule dowiesz się, jak zbudować plik nauczanie maszynowe Model klasyfikatora oparty na DaneRobota.

Wykorzystujemy dane dotyczące kampanii marketingowej instytucji bankowej na podstawie rozmów telefonicznych dotyczących działań marketingowych. Często kontaktuje się z nim w celu ustalenia, czy deponent, a dokładniej klient banku, chciałby założyć w banku lokatę terminową.

Stworzymy model klasyfikacyjny, aby sprawdzić, czy powinniśmy kontaktować się z klientami, czy nie. Dokładniej, sztuczna inteligencja zasugeruje, z którymi klientami się skontaktować.

Najpierw zaczynamy od przesłania danych, ponieważ model nie może się niczego nauczyć bez danych.

Prześlij dane

• Po zarejestrowaniu się i zalogowaniu do serwisu DaneRobota strona internetowa, strona zadaje pytania dotyczące opcji takich jak wizualizacja danych, sztuczna inteligencja budowanie modelu i wdrażanie. Po wybraniu żądanej strony przekieruje Cię do strony podobnej do następnej.

To, na co warto zwrócić uwagę przed skorzystaniem z powyższej usługi, to fakt, że istnieją szczególne warunki wykorzystania danych w postaci:

• Musisz użyć prawidłowego formatu pliku.
• Rozmiar zestawu danych powinien być mniejszy niż 200 MB.
• Mają co najmniej 20 rzędów.
• Nie powinno być więcej niż jednego brakującego nagłówka kolumny.
• Nie można używać zduplikowanych nagłówków kolumn.
• nie należy używać nieobsługiwanego lub niespójnego szyfrowania

Jeśli plik danych jest większy niż 200 MB, konieczne będzie utworzenie identyfikatora zadania, aby go użyć, ponieważ DaneRobota ograniczył bezpośrednie przesyłanie do 200 MB.

Następnie kliknij Dane na pasku zadań u góry strony internetowej, aby uzyskać dostęp do danych. Po załadowaniu danych należy wybrać kolumnę docelową. DataRobot tworzy wykres zliczania kategorii, jeśli kolumna docelowa jest dyskretna.

Wybór modelu

• Po wybraniu kolumny docelowej należy przejść do trybu modelowania. W tym kontekście różne tryby to tryb szybki, autopilot, ręczny i kompleksowy.
• Tryb szybki to tryb startowy, który generuje podstawowe modele i pozwala na wstępną konfigurację.
• Tryb autopilota tworzy wszystkie możliwe modele dostarczane przez DataRobot w interakcji z walidacją krzyżową, prostym szkoleniem testowym i wyborem funkcji.
• Tryb ręczny jest trybem zdefiniowanym przez użytkownika, co oznacza, że ​​możesz samodzielnie wybrać model i odpowiednio go przeszkolić.
• Tryb kompleksowy to krok dalej niż tryb autopilota. Jeśli model autopilota nie jest odpowiedni do Twoich działań, możesz skorzystać z powyższego modelu.

Następnie sprawdzimy tryb autopilota.

Po wybraniu powyższej opcji kliknij przycisk Start, aby wyświetlić ekran podobny do poniższego.

• Tutaj dane są analizowane, a następnie możesz wybrać liczbę funkcji, które będą wykorzystywane do celów szkoleniowych. Po zakończeniu tej sekcji możesz przejść do wyboru modeli, klikając Modele lub w zależności od trybu już wybranego w sekcji Modelowanie.
• Ponieważ korzystamy z trybu autopilota, model jest inicjalizowany automatycznie po ukończeniu sekcji analizy danych. Musimy więc usiąść i poczekać na zakończenie procesu.

Oblicz wyniki

• Proces ten rozpoczyna się w przypadku 31 modeli. Te 31 modeli to różne wersje modelu podstawowego – modelu bazowego, w którym stosowane są klasyfikatory oparte na drzewach i klasyfikatory liniowe.

• Wreszcie dostępnych jest łącznie 63 modele o różnej wielkości próbek, kombinacjach różnych algorytmów opartych na drzewie i algorytmach liniowych, różnych ustawieniach metaparametrów itp.

• Po zakończeniu tryb autopilota zaleca użycie klasyfikatora drzew ze wzmocnionym gradientem światła z wczesnym zatrzymaniem.
• Teraz przyszedł czas na sprawdzenie wydajności finalnego modelu. Klikając nazwę modelu, możemy zobaczyć różne parametry dostępne do oceny wydajności modelu. Parametry te pozwalają lepiej zrozumieć powód użycia wspomnianej opcji.

• W prawym panelu widzimy macierz zamieszania; poniżej mamy czułość i dokładność, która wynosi 0,52 dokładności i 0,70 czułości. W tym artykule bierzemy pod uwagę odsetek dodatnich przewidywanych wartości, aby zespół sprzedaży wybierał tych klientów. Na lewym panelu widzimy krzywą ROC i wynik AUC wynoszący 0,92, co pokazuje, że model ten sprawdza się dobrze.
• Aby wyjaśnić dyskusję, przeanalizujmy czas przetwarzania, ponieważ podczas wdrażania modelu problemem jest to, jak szybko model może przetwarzać dane wejściowe użytkownika. Szybszy model o niskiej wydajności jest lepszy w prognozowaniu niż wolniejszy model o wysokiej wydajności.
• Jeśli klikniesz opcję Prędkość vs. Na karcie Dokładność zobaczysz wykres rozrzutu wydajności w czasie.

• Ostateczny model jest najlepszy, ponieważ jest najszybszy, a przetwarzanie danych zajęło tylko 67,1 milisekundy. Wydaje się, że sugestia, jaką daje tryb autopilota, okazała się praktyczna. Teraz przyszedł czas na sprawdzenie procesu wdrażania modelu.

Wdróż ostateczny model

• Wdrożenie modelu jest łatwe; kliknij pole obok nazwy modelu i wybierz model z zakładki Modele. Następnie klikamy przycisk „wdroż” i model zostaje wdrożony.

• Po wdrożeniu modelu możesz go wyświetlić, klikając kartę „ML Ops” u góry paska zadań.

ostatnie słowo

DaneRobota może generować prognozy pojedynczo lub w dużych partiach, importując plik.

Każdy nauczanie maszynowe model można zamienić w potencjał sztuczna inteligencja aplikacja za pomocą DaneRobotaumożliwiając każdemu członkowi ekosystemu interakcję ze spostrzeżeniami predykcyjnymi oryginalnego modelu.

Narzędzie to umożliwi Ci porównanie prognozy z wynikami historycznymi, zbadanie przyczyn szacunków i zmianę parametrów wejściowych, aby zobaczyć, jak wpłynie to na te wyniki. Ogólnie rzecz biorąc, w powyższym artykule staraliśmy się pokazać Państwu budowę i wdrożenie modelu predykcyjnego za pomocą DaneRobota.

Pobieranie premium motywów WordPressBezpłatne pobieranie motywów WordPressPobierz motywy WordPressPobierz najlepsze motywy WordPress do pobrania za darmoudemy do pobrania za darmopobierz oprogramowanie karbonnPobierz najlepsze motywy WordPress do pobrania za darmodarmowy kurs Udemy do pobrania