Bu öğretici program, bir müşterinin açık hava ekipmanları mağazasından bir çadır satın alıp almayacağını tahmin etmek için bir model eğitimi sırasında size yol gösterir.

Verilerinizi analiz eden ve boru hatlarını üretmek, eğitmek ve optimize etmek için en iyi model tipini ve algoritmaları seçen bir model oluşturmak için bir AutoAI deneyi oluşturun. Ardışık hatları gözden geçirdikten sonra model olarak kaydedin, konuşlandırın ve öngörü elde etmek için test edin.

Bu öğretici programdaki adımların önizlemesini görmek için bu videoyu izleyin.

Bu video, bu belgedeki kavramları ve görevleri öğrenmek için görsel bir yöntem sağlar.

• transcript
  Transkript ile videoyu eşitle

  Video transkript

  Saat	transcript
  00:00	Bu videoda, bir açık hava ekipmanı şirketinin müşterisinin bir çadır satın alma olasılığını değerlendiren bir ikili sınıflandırma modelinin nasıl oluşturulacağını göreceksiniz.
  00:11	Bu video, Galeri 'de bulacağınız "GoSales" adlı bir veri kümesini kullanır.
  00:16	Veri kümesini görüntüleyin.
  00:20	Özellik sütunları "GENDER", "AGE", "MARITAL_STATUS" ve "MESLEK" tir ve makine öğrenimi modelinin öngörüleri temel aldığı öznitelikleri içerir.
  00:31	Etiket sütunları "IS_TENT", "PRODUCT_LINE" ve "SATINAL_TUTARI" dır ve modellerin tahmin etmek üzere eğitilebileceği geçmiş sonuçları içerir.
  00:44	Bu veri kümesini "Machine Learning" projesine ekleyin ve daha sonra projeye gidin.
  00:56	GoSales.csv dosyasını diğer veri varlıklarınızda bulabilirsiniz.
  01:02	Projeye bir "AutoAI deneyi" ekleyin.
  01:08	Bu projenin zaten ilişkili Watson Machine Learning hizmeti var.
  01:13	Bunu henüz yapmadıysanız, önce bir örneğe dayalı AutoAI deneyinin nasıl çalıştırılacağını gösteren videoyu izleyin.
  01:22	Deney için bir ad sağlayın ve sonra "Oluştur" düğmesini tıklatın.
  01:30	AutoAI deney oluşturucusu görüntülenir.
  01:33	Öncelikle eğitim verilerini yüklemeniz gerekir.
  01:36	Bu durumda, veri kümesi projeden olacaktır.
  01:40	Listeden GoSales.csv dosyasını seçin.
  01:45	AutoAI veri kümesini okur ve veri kümesinde bulunan sütunları listeler.
  01:50	Modelin belirli bir müşterinin bir çadır satın alma olasılığını öngörmesini istediğinizden, tahmin etmek için sütun olarak "IS_TENT" seçeneğini belirleyin.
  01:59	Şimdi, deney ayarlarını düzenleyin.
  02:03	Önce, veri kaynağına ilişkin ayarlara bakın.
  02:06	Büyük bir veri kümeniz varsa, deneyi satırların bir alt örneğinde çalıştırabilir ve verilerin ne kadarının eğitim için kullanılacağını ve değerlendirme için ne kadarının kullanılacağını yapılandırabilirsiniz.
  02:19	Varsayılan değer, verilerin %10 'unun değerlendirme için ayrıldığı %90 'lık bir bölünmedir.
  02:27	Deneyi çalıştırırken veri kümesinden içerilecek kolonları da seçebilirsiniz.
  02:35	"Öngörü" panosunda bir öngörü tipi seçebilirsiniz.
  02:39	Bu durumda, AutoAI verilerinizi analiz etti ve "IS_TENT" sütununun true-false bilgileri içerdiğini belirledi, bu da bu verileri bir "İkili sınıflandırma" modeli için uygun hale getiriyor.
  02:52	Pozitif sınıf "TRUE" ve önerilen metrik "Doğruluk" tur.
  03:01	Eğer isterseniz, bu deney için dikkate alınacak belirli algoritmaları ve oluşturulan boru hatlarının sayısını belirleyen AutoAI ' nin test edeceği en iyi algoritmaların sayısını seçebilirsiniz.
  03:16	"Çalıştırma Zamanı" panosunda, deneyle ilgili diğer ayrıntıları gözden geçirebilirsiniz.
  03:21	Bu durumda, varsayılan ayarların kabul edilmesi en mantıklı olandır.
  03:25	Şimdi, deneyi çalıştır.
  03:28	AutoAI önce veri kümesini yükler, daha sonra verileri eğitim verilerine ve alıkoymaya ayırır.
  03:37	Daha sonra, "Ardışık Düzen lider panosu", oluşturulan ardışık düzenleri XGBoost sınıflandırıcısı gibi farklı kestiricileri kullanarak göstermek için ya da hiperparametre optimizasyonu ve özellik mühendisliği gibi geliştirmeleri, doğruluk metriğine dayalı olarak sıralanan boru hatlarını göstermek için bekleyin.
  03:58	Hiperparametre optimizasyonu, potansiyel hiperparametreler için bir arama alanını otomatik olarak keşfetmek, bir dizi model oluşturmak ve ilgilenilen metrikleri kullanarak modelleri karşılaştırmak için bir mekanizmadır.
  04:10	Özellik mühendisliği, işlenmemiş verileri, en doğru öngörüye ulaşmak için sorunu en iyi şekilde temsil eden özelliklerin birleşimine dönüştürmeyi dener.
  04:21	Tamam, koşu tamamlandı.
  04:24	Varsayılan olarak, "İlişki eşlemi" ni görürsünüz.
  04:28	Ancak "İlerleme haritasını" görmek için görünümleri değiştirebilirsiniz.
  04:32	Boru hatlarını karşılaştırarak başlamak isteyebilirsiniz.
  04:36	Bu grafik, çapraz doğrulama puanına ya da holdout puanına göre görüntülenen sekiz ardışık işlem hattı için metrikler sağlar.
  04:46	Boru hatlarını, ortalama duyarlık gibi diğer metriklere göre sıralanmış olarak görebilirsiniz.
  04:55	"Deney özeti" sekmesinde, model değerlendirme ölçülerini ve ROC eğrisini görüntülemek için bir ardışık düzeni genişletin.
  05:03	AutoAI eğitimi sırasında veri kümeniz iki parçaya bölünür: eğitim verileri ve alıkoyma verileri.
  05:11	Eğitim verileri, model boru hatlarını oluşturmak için AutoAI eğitim aşamaları tarafından kullanılır ve bunları sıralamak için çapraz doğrulama puanları kullanılır.
  05:21	Eğitimden sonra, elde edilen boru hattı modeli değerlendirmesi ve ROC eğrileri ve karışıklık matrisleri gibi performans bilgilerinin hesaplanması için holdout verileri kullanılır.
  05:33	Karışıklık matrisine, duyarlık geri çağırma eğrisine, model bilgilerine ve özellik önemine ek olarak daha fazla ayrıntı görmek için tek bir ardışık işlem hattı görüntüleyebilirsiniz.
  05:46	Bu boru hattı en yüksek sıralamaya sahipti, bu nedenle bunu bir makine öğrenimi modeli olarak kaydedebilirsiniz.
  05:52	Varsayılanları kabul edin ve modeli kaydedin.
  05:56	Artık modeli eğitmişsiniz, modeli görüntülemeye ve devreye almaya hazırsınız.
  06:04	"Genel Bakış" sekmesi bir model özetini ve giriş şemasını gösterir.
  06:09	Modeli devreye almak için devreye alma alanına yükseltmeniz gerekir.
  06:15	Listeden konuşlandırma alanını seçin, model için bir açıklama ekleyin ve "Yükselt" düğmesini tıklatın.
  06:24	Konuşlandırma alanına gitmek için bağlantıyı kullanın.
  06:28	İşte yeni yarattığınız model, şimdi konuşlandırabilirsiniz.
  06:33	Bu durumda, bu bir çevrimiçi devreye alma olacaktır.
  06:37	Devreye alma için bir ad sağlayın ve "Oluştur" düğmesini tıklatın.
  06:41	Daha sonra, model konuşlandırılırken bekleyin.
  06:44	Model devreye alma işlemi tamamlandığında devreye almayı görüntüleyin.
  06:49	"API başvurusu" sekmesinde, gelecekteki başvuru için puanlama uç noktasını bulacaksınız.
  06:56	Uygulamanızdan bu konuşlandırmayı kullanmak için çeşitli programlama dillerine ilişkin kod parçacıklarını da bulacaksınız.
  07:05	"Test" sekmesinde model öngörüsünü test edebilirsiniz.
  07:09	Test giriş verilerini girebilir ya da JSON giriş verilerini yapıştırabilir ve "Predict" düğmesini tıklatabilirsiniz.
  07:20	Bu, ilk müşterinin bir çadır satın alma olasılığının çok yüksek olduğunu ve ikinci müşterinin bir çadır satın almama olasılığının çok yüksek olduğunu gösterir.
  07:33	Ve projede, AutoAI deneyi ve modeli "Varlıklar" sekmesinde bulacaksınız.
  07:44	Cloud Pak for Data as a Service belgelerinde daha fazla video bulun.