0 / 0
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:
  1. 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.
  2. 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:

  1. 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.
  2. Otwórz projekt lub utwórz pusty projekt.
  3. 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 .
  4. Wybierz kartę Zasoby .
  5. Wybierz opcję Nowy zasób > Decision Optimization w sekcji Graficzne programy budujące .
  6. Kliknij opcję Plik lokalny w oknie Utwórz eksperyment dotyczący Decision Optimization , które zostanie otwarte.
  7. 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.
  8. 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.
  9. Kliknij opcję Nowy obszar wdrażania, wprowadź nazwę, a następnie kliknij opcję Utwórz (lub wybierz istniejący obszar z menu rozwijanego).
  10. Kliknij przycisk Utwórz.
    Tworzony jest model Decision Optimization o takiej samej nazwie jak przykład.
  11. 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).

    Tabele danych wejściowych w widoku danych przygotowania

  12. 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.

    Model Python dla problemu z dietą wyświetlany w widoku Uruchom model

    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.

  13. 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.