Notatnik Decision Optimization -kurs | IBM Cloud Pak for Data as a Service

Translation not up to date

The translation of this page does not represent the latest version. For the latest updates, see the English version of the documentation.

Go back to the English version of the documentation

rozwiązywanie i analizowanie modelu: problem z dietą

Last updated: 12 paź 2023

Notatnik Decision Optimization -kurs

W tym przykładzie przedstawiono sposób tworzenia i rozwiązywania modelu opartego na języku Pythonprzy użyciu próby.

O tym zadaniu

Ten dobrze znany problem optymalizacji identyfikuje najlepszą mieszankę środków spożywczych, aby spełnić wymagania żywieniowe przy jednoczesnej minimalizacji kosztów. Dane wejściowe to profil żywieniowy i cena różnych środków spożywczych oraz minimalne i maksymalne wartości składników odżywczych w diecie. Model jest wyrażony jako minimalizacja programu liniowego. Pliki używane w tym przykładzie są dostępne w katalogu DO-samples.

Uwaga: Aby można było tworzyć i uruchamiać modele optymalizacji, do projektu musi być dodana zarówno usługa Machine Learning , jak i obszar wdrażania, który jest powiązany z eksperymentem:

Dodaj plik Usługa systemu Machine Learning do projektu. Tę usługę można dodać na poziomie projektu (patrz sekcja Tworzenie instancji usługi Watson Machine Learning) lub podczas tworzenia nowego Decision Optimization eksperyment: należy kliknąć opcję Dodaj usługę systemu Machine Learning, wybrać lub utworzyć Nowa usługa, kliknąć opcję Powiąż, a następnie zamknąć okno.
Powiąż obszar wdrażania z Decision Optimization eksperyment (patrz sekcja Obszary wdrażania). Obszar wdrażania można utworzyć lub wybrać podczas pierwszego tworzenia nowego Decision Optimization eksperymentu: kliknij opcję Utwórz obszar wdrażania, wprowadź nazwę obszaru wdrażania, a następnie kliknij opcję Utwórz. W przypadku istniejących modeli można również utworzyć lub wybrać obszar w panelu informacji Przegląd .

Procedura

Aby utworzyć i rozwiązać model oparty na języku Pythonza pomocą próby:

Pobierz i rozpakuj wszystkie DO-samples na komputerze. Można również pobrać tylko plik diet.zip z podfolderu Model_Builder dla produktu i wersji, ale w tym przypadku nie należy go rozpakowywać.
Otwórz projekt lub utwórz pusty projekt.
Na karcie Zarządzanie projektu wybierz sekcję Usługi i integracje i kliknij opcję Powiąż usługę. Następnie wybierz istniejącą instancję usługi Machine Learning (lub utwórz nową). i kliknij opcję Powiąż. Po powiązaniu usługi zostanie wyświetlony komunikat o powodzeniu, a następnie można zamknąć okno Powiąż usługę .
Wybierz kartę Zasoby .
Wybierz opcję Nowy zasób > Decision Optimization w sekcji Graficzne programy budujące .
Kliknij opcję Plik lokalny w oknie Utwórz eksperyment dotyczący Decision Optimization , które zostanie otwarte.
Przejdź do folderu Model_Builder w pobranym katalogu DO-samples. Wybierz odpowiedni podfolder produktu i wersji. Wybierz plik Diet.zip i kliknij przycisk Otwórz. Alternatywnie można użyć metody przeciągnij i upuść.
Jeśli z projektem nie powiązano jeszcze usługi Machine Learning , należy najpierw wybrać opcję Dodaj usługę Machine Learning , aby wybrać lub utworzyć usługę przed wybraniem obszaru wdrażania dla eksperymentu.
Kliknij opcję Nowy obszar wdrażania, wprowadź nazwę, a następnie kliknij opcję Utwórz (lub wybierz istniejący obszar z menu rozwijanego).
Kliknij przycisk Utwórz.
Tworzony jest model Decision Optimization o takiej samej nazwie jak przykład.
W Przygotowanie danych Widokmożna wyświetlić zaimportowane zasoby danych.
Tabele te reprezentują wartości minimalne i maksymalne dla składników odżywczych w diecie (diet_nutrients), składniki odżywcze w różnych produktach spożywczych (diet_food_nutrients) oraz cenę i ilość określonej żywności (diet_food).
Kliknij ikonę Buduj model na pasku bocznym, aby wyświetlić model.
Model Python minimalizuje koszty żywności w diecie, spełniając jednocześnie minimalne wymagania dotyczące składników odżywczych i kalorii.

Należy również zauważyć, że dane wejściowe (tabele w Przygotowanie danych Widok) i dane wyjściowe (w tym przypadku tabela rozwiązania, która ma być wyświetlana w rozwiązaniu eksploracji Widok) są określone w tym modelu.
Uruchom model, klikając przycisk Uruchom w oknie Budowanie modelu Widok.

Wyniki

Po zakończeniu wykonywania można wyświetlić wyniki w oknie Poznaj rozwiązanie Widok. Można również kliknąć opcję Statystyki mechanizmu lub Dziennik , aby wyświetlić wykres rozwiązania i sprawdzić pliki dziennika mechanizmu modułu rozwiązującego. Pierwsza karta w Poznaj rozwiązanie Widok przedstawia cel strategiczny (lub cele strategiczne, jeśli istnieje ich kilka) z wartościami i wagami. Karta Tabele rozwiązań udostępnia listę produktów spożywczych i ich ilości wraz z dostarczonymi przez nie składnikami odżywczymi.

Tabele rozwiązania można również pobrać jako pliki csv .

Jeśli w modelu występują ograniczenia powodujące konflikt, zostaną one wyświetlone na karcie Konflikty z opcją Relaksacje niezbędną do rozwiązania modelu.

W widoku Wizualizacjarozwiązanie jest wyświetlane jako tabela i wykres na stronie Rozwiązanie . Aby wyświetlić dane wejściowe, dane rozwiązania lub kluczowe wskaźniki wydajności, można dodać uwagi, różne typy tabel i wykresów, wybierając i edytując widgety. Można również tworzyć różne strony w widoku wizualizacji. Na przykład w tym przykładzie udostępniono również stronę Dane wejściowe . Patrz Widok wizualizacji.

Można rozpocząć wykonywanie porównań między różnymi scenariuszami. Na przykład, podstawowe rozwiązanie zawiera ilość hot doga. Warto sprawdzić alternatywne rozwiązanie dla kogoś, kto preferuje dietę wegetariańską.