Örnek veriler

Bu öğretici programda kullanılan veri kümesi Kaliforniya Üniversitesi, Irvine 'dan alınmıştır ve bir süre boyunca hastane kabullerine dayalı kapsamlı bir çalışmanın sonucudur. Model kronik böbrek hastalığının öngörülmesine yardımcı olmak için üç önemli faktör kullanacak.

• Bu öğretici programın tamamlanmasına ilişkin ipuçları

  Resimdeki videoyu kullan

  İpucu: Videoyu başlatın, daha sonra siz öğretici programda gezinirken video, resim içinde resim moduna geçer. Resimdeki resimle en iyi deneyimi elde etmek için video içindekiler tablosunu kapatın. Bu öğretici programdaki görevleri tamamlarken videoyu izleyebilmek için resimdeki modu kullanabilirsiniz. İzlemek istediğiniz her görev için zaman damgalarını tıklatın.

  Aşağıdaki canlandırmalı resim, resimdeki video resminin ve içindekiler tablosunun özelliklerinin nasıl kullanılacağını gösterir:

  

  Toplulukta yardım alma

  Bu öğretici programla ilgili yardıma gereksinim duyarsanız, Cloud Pak for Data Community tartışma forumundabir soru sorabilir ya da bir yanıt bulabilirsiniz.

  Tarayıcı pencerelerinizi ayarlayın

  Bu öğretici programı tamamlama konusunda en iyi deneyimi sağlamak için Cloud Pak for Data olanağını bir tarayıcı penceresinde açın ve bu eğitmen sayfasını iki uygulama arasında kolayca geçiş yapmak üzere başka bir tarayıcı penceresinde açık tutun. Takip edilmesini kolaylaştırmak için iki tarayıcı penceresini yan yana düzenlemeyi düşünün.

  

  İpucu: Kullanıcı arabiriminde bu öğretici programı tamamlarken kılavuzlu bir turla karşılaşırsanız, Belki daha sonraseçeneğini tıklatın.

  
  Başa dön
  

• Görev 1: Proje açma
  
  

  SPSS Modeler akışını depolamak için bir proje gerekir. Kum havuzu projenizi kullanabilir ya da bir proje yaratabilirsiniz.

  1. Gezinme menüsünden , Projeler > Tüm projeleri görüntüle seçeneklerini belirleyin

  2. Korumalı alan projenizi açın. Yeni bir proje kullanmak istiyorsanız:

     1. Yeni projeöğesini tıklatın.

     2. Boş proje yaratseçeneğini belirleyin.

     3. Proje için bir ad ve isteğe bağlı açıklama girin.

     4. Var olan bir nesne depolama hizmeti örneği seçin ya da yeni bir örnek oluşturun.

     5. Oluştur'u tıklatın.

  Daha fazla bilgi için veya bir video izlemek için bkz. Proje oluşturma.

  İlerlemenizi denetleyin

  Aşağıdaki resim yeni projeyi göstermektedir.
  
  

  

  
  Başa dön
  

• Görev 2: Veri kümesini projenize ekleme
  
  

  Bu görevi önizlemek için 00:13adresinden başlayarak videoyu izleyin.

  Bu eğitmende bir örnek veri kümesi kullanılır. Örnek veri kümesini projenize eklemek için aşağıdaki adımları izleyin:

  1. Örnekleriçindeki UCI ML Repository: Kronik Böbrek Hastalığı Veri Kümesi ' ne erişin.

  2. Önizleme'yi tıklatın. Bu analizin bir parçası olarak kronik böbrek hastalığının öngörülmesine yardımcı olan üç önemli faktör vardır: deneğin yaşı, serum kreatinin test sonuçları ve diyabet testi sonuçları. Ve sınıf değeri hastanın daha önce böbrek hastalığı teşhisi konup konmadığını gösteriyor.

  3. Projeye ekle' yi tıklatın.

  4. Listeden projeyi seçin ve Ekledüğmesini tıklatın.

  5. Projeyi Görüntüle' yi tıklatın.

  6. Projenizin Varlıklar sayfasından UCI ML Havuzu Kronik Böbrek Hastalığı Verileri Set.csv dosyasını bulun.

  İlerlemenizi denetleyin

  Aşağıdaki resim, projedeki Varlıklar sekmesini gösterir.
  
  

  

  
  Başa dön
  

• Görev 3: SPSS Modeler akışını oluşturma
  
  

  Bu görevi önizlemek için 01:11adresinden başlayan videoyu izleyin.

  Projede bir SPSS Modeler akışı oluşturmak için aşağıdaki adımları izleyin:

  1. Yeni görev > Modelleri görsel akış olarak oluşturseçeneklerini tıklatın.

  2. Akış için bir ad ve tanım yazın.

  3. Çalıştırma zamanı tanımlaması için Varsayılan SPSS Modeler S tanımlamasını kabul edin.

  4. Oluştur'u tıklatın. Bu işlem, akışı yaratmak için kullanacağınız Akış Düzenleyicisi 'ni açar.

  İlerlemenizi denetleyin

  Aşağıdaki resim akış düzenleyicisini göstermektedir.
  
  

  

  
  Başa dön
  

• Görev 4: Düğümleri SPSS Modeler akışına ekleme
  
  

  Bu görevi önizlemek için 01:31adresinden başlayan videoyu izleyin.

  Verileri yükledikten sonra dönüştürmeniz gerekir. Dönüştürücüleri ve tahmin edicileri tuvale sürükleyerek ve bunları veri kaynağına bağlayarak basit bir akış oluşturun. Paletteki aşağıdaki düğümleri kullanın:

  • Veri Varlığı: Projeden csv dosyasını yükler

  • Bölüm: Verileri eğitim ve test segmentlerine böler

  • Tip: Veri tipini ayarlar. class alanını target tipi olarak belirlemek için bu alanı kullanın.

  • C5.0: bir sınıflandırma algoritması

  • Analiz: modeli görüntüleyin ve doğruluğunu denetleyin

  • Çizelge: Öngörülerle verileri önizleyin

  Akışı yaratmak için aşağıdaki adımları izleyin:

  1. Veri varlığı düğümünü ekle:

     1. İçe Aktar bölümünden Veri Varlığı düğümünü tuvale sürükleyin.

     2. Veri kümesini seçmek için Veri Varlığı düğümünü çift tıklatın.

     3. Data asset > UCI ML Repository Kronik Böbrek Hastalığı Verileri Set.csvseçeneklerini belirleyin.

     4. Seç'i tıklatın.

     5. Veri Varlığı özelliklerini görüntüleyin.

     6. Kaydetöğesini tıklatın.

  2. Bölüm düğümünü ekle:

     1. Alan İşlemleri bölümünden Bölüm düğümünü tuvale sürükleyin.

     2. Veri Varlığı düğümünü Bölüm düğümüne bağlayın.

     3. Özelliklerini görüntülemek için Bölüm düğümünü çift tıklatın. Varsayılan bölüm, eğitim için verilerin yarısını, test için diğer yarısını böler.

     4. Kaydetöğesini tıklatın.

  3. Tip düğümünü ekle:

     1. Alan İşlemleri bölümünden Tip düğümünü tuvale sürükleyin.

     2. Bölüm düğümünü Tip düğümüne bağlayın.

     3. Özelliklerini görüntülemek için Tip düğümünü çift tıklatın. Tür düğümü, her alan için ölçüm düzeyini belirtir. Bu kaynak veri dosyası dört farklı ölçüm düzeyi kullanır: Sürekli, Kategorik, Nominal, Ordinal ve İşaret.

     4. class alanını arayın. Her alan için rol, her alanın modellemede oynadığı rolü gösterir. class Role (Rol) değerini Target (Hedef) olarak değiştirin-tahmin etmek istediğiniz alan.

     5. Kaydetöğesini tıklatın.

  4. C5.0 sınıflandırma algoritması düğümünü ekleyin:

     1. Modelleme bölümünden C5.0 düğümünü tuvale sürükleyin.

     2. Tip düğümünü C5.0 düğümüne bağlayın.

     3. Özelliklerini görüntülemek için C5.0 düğümünü çift tıklatın. Varsayılan olarak, C5.0 algoritması bir karar ağacı oluşturur. C5.0 modeli, en yüksek bilgi kazanımı sağlayan alana dayalı olarak örneği bölerek çalışır. İlk bölme tarafından tanımlanan her alt örnek, genellikle farklı bir alana dayalı olarak yeniden bölünür ve alt örnekler daha fazla bölünemeinceye kadar işlem yinelenir. Son olarak, en düşük düzey bölmeler yeniden incelenir ve modelin değerine önemli ölçüde katkıda bulunmayanlar kaldırılır.

     4. Bu düğümde tanımlanan ayarları kullanseçeneğini açın/kapatın.

     5. Hedefiçin sınıfseçeneğini belirleyin.

     6. Girişler kısmında Sütun ekle' yi tıklatın.

        1. Alan adıseçeneğinin yanındaki onay kutusunun işaretini kaldırın.

        2. age, sc, dmseçeneklerini belirleyin.

        3. Tamam'ı tıklatın.

     7. Kaydetöğesini tıklatın.

  İlerlemenizi denetleyin

  Aşağıdaki resim, tamamlanan akışı gösterir.
  
  

  

  
  Başa dön
  

• Görev 5: SPSS Modeler akışını çalıştırın ve model ayrıntılarını keşfedin
  
  

  Bu görevi önizlemek için 04:20adresinden başlayan videoyu izleyin.

  Akışı tasarladınız, akışı çalıştırmak için aşağıdaki adımları izleyin ve karar noktalarını görmek için ağaç çizgesini inceleyin:

  1. C5.0 düğümünü sağ tıklatın ve Çalıştırseçeneğini belirleyin. Akışın çalıştırılması, tuvalde yeni bir model nugget oluşturur.

  2. Model nugget öğesini sağ tıklatın ve model ayrıntılarını görüntülemek için View Model (Modeli Görüntüle) seçeneğini belirleyin.

  3. Model özeti sağlayan Model Bilgileri ' ni görüntüleyin.

  4. Top Decision Rules(En Üst Karar Kuralları) seçeneğini tıklatın. Tablo, farklı giriş alanlarının değerlerine dayalı olarak alt düğümlere tek tek kayıtlar atamak için kullanılan bir dizi kural görüntüler.

  5. Özellik Önem düzeyi' ni tıklatın. Bir grafik, modelin tahmin edilmesinde her bir öngösterenin göreli önemini gösterir. Buradan serum kreatinin en önemli faktör olduğunu görebilirsiniz, diyabet en önemli faktör.

  6. Ağaç Çizgesi' ni tıklatın. Aynı model, her karar noktasında bir düğümle birlikte bir ağaç biçiminde görüntülenir.

     1. Veri kümesindeki tüm kayıtlar için bir özet sağlayan üst düğümün üzerine gelin. Veri kümesindeki vakaların yaklaşık %40 'ı böbrek hastalığı teşhisi konmamış olarak sınıflandırılmaktadır. Ağaç, hangi etkenlerin sorumlu olabileceğine ilişkin ek ipuçları sağlayabilir.

     2. Üst düğümden kaynaklanan iki dala dikkat edin; bu, serum creatinine' e bölünmüş olduğunu gösterir.

        • Serum kreatinin 1.25değerinden büyük olduğu kayıtları gösteren dalı gözden geçirin. Bu durumda, bu hastaların %100 'ünde pozitif bir böbrek hastalığı teşhisi var.

        • Serum kreatinin 1.25değerinden küçük ya da bu değere eşit olduğu kayıtları gösteren dalı gözden geçirin. Bu hastaların neredeyse %80 'inde pozitif bir böbrek hastalığı tanısı yok, ancak neredeyse %20 'sinde daha düşük serum kreatinin teşhisi hala böbrek hastalığı tanısı kondu.

     3. Diyabettarafından ayrılan sc<=1.250' den kaynaklanan dallara dikkat edin.

        • Düşük serum kreatinin (sc<=1.250) ve tanısı diyabet (dm = evet) olan hastaları gösteren dalı inceleyin. Bu hastaların% 100 'ünde de böbrek hastalığı tanısı kondu.

        • Düşük serum kreatinin (sc<=1.250) ve diyabet tanısı konmayan (dm = no) hastalara böbrek hastalığı teşhisi konmamış, ancak %15 'ine hala böbrek hastalığı teşhisi konmuştur.

     4. Son anlamlı katsayıyla ( yaş) bölünen dm = no' dan kaynaklanan dallara dikkat edin.

        • 14 yaş ya da daha küçük hastaları gösteren şubeyi gözden geçirin (yaş < = 14). Bu dal, düşük serum kreatinine sahip ve şeker hastalığı olmayan genç hastaların %75 'inin böbrek hastalığı riski altında olduğunu göstermektedir.

        • 14 yaşından büyük (yaş > 14) hastaları gösteren şubeyi gözden geçirin. Bu dal, serum kreatinin düşük ve diyabet tanısı olmayan 14 yaş üstü hastaların sadece %12 'sinin böbrek hastalığı riski altında olduğunu göstermektedir.

     5. Model ayrıntılarını kapatın.

  İlerlemenizi denetleyin

  Aşağıdaki resim ağaç çizgesini göstermektedir.
  
  

  

  
  Başa dön
  

• Görev 6: Modeli değerlendirme
  
  

  Bu görevi önizlemek için 07:24adresinden başlayan videoyu izleyin.

  Modeli değerlendirmek üzere Analiz ve Tablo düğümlerini kullanmak için aşağıdaki adımları izleyin:

  1. Çıkışlar bölümünden Çözümleme düğümünü tuvale sürükleyin.

  2. Model nugget öğesini Analysis düğümüne bağlayın.

  3. Çözümleme düğümünü farenin sağ düğmesiyle tıklatın ve Çalıştırseçeneğini belirleyin.

  4. Outputs (Çıkışlar) panosunda Analysis(Analiz) seçeneğini açın; bu, modelin bir böbrek hastalığı tanısını yaklaşık %95 oranında doğru tahmin ettiğini gösterir. Çözümleme' yi kapatın.

  5. Analiz düğümünü sağ tıklatın ve Dalı model olarak kaydetseçeneğini belirleyin.

     1. Model adıiçin Kidney Disease Analysisyazın.

     2. Kaydetöğesini tıklatın.

     3. Kapat'ı tıklatın.

  6. Çıkışlar bölümünden Tablo düğümünü tuvale sürükleyin.

     1. Model nugget öğesini Tablo düğümüne bağlayın.

     2. Tablo düğümünü sağ tıklatın ve Verileri önizleseçeneğini belirleyin.

     3. Önizleme görüntülendiğinde, son iki sütuna gidin. $C-Class sütunu böbrek hastalığının tahminini içerir ve $CC-Class sütunu bu öngörü için güven puanını gösterir.

     4. Önizleme' yi kapatın.

  İlerlemenizi denetleyin

  Aşağıdaki resim, öngörü içeren önizleme tablosunu göstermektedir.
  
  

  

  
  Başa dön
  

• Görev 7: Modeli yeni verilerle devreye alın ve test edin
  
  

  Bu görevi önizlemek için 09:10adresinden başlayan videoyu izleyin.

  Son olarak, bu modeli devreye almak ve sonucu yeni verilerle tahmin etmek için bu adımları izleyin.

  1. Projenin Varlıklar sekmesine geri dönün.

  2. Modeller bölümünü tıklatın ve Böbrek Hastalığı Analizi modelini açın.

  3. Konuşlandırma alanına yükseltöğesini tıklatın.

  4. Var olan bir konuşlandırma alanını seçin. Konuşlandırma alanınız yoksa, yeni bir konuşlandırma alanı yaratabilirsiniz:

     1. Bir alan adı sağlayın.

     2. Bir depolama hizmeti seçin.

     3. Bir makine öğrenimi hizmeti seçin.

     4. Oluştur'u tıklatın.

     5. Kapat'ı tıklatın.

  5. Alandaki modele yükseldikten sonra gitseçeneğini belirleyin.

  6. Yükseltdüğmesini tıklatın.

  7. Model konuşlandırma alanının içinde görüntülendiğinde Yeni konuşlandırmaöğesini tıklatın.

     1. Konuşlandırma tipiolarak Online (Çevrimiçi) seçeneğini belirleyin.

     2. Konuşlandırma için bir ad belirtin.

     3. Oluştur'u tıklatın.

  8. Konuşlandırma tamamlandığında, konuşlandırma ayrıntıları sayfasını görüntülemek için konuşlandırma adını tıklatın.

  9. Test sekmesine gidin. Devreye alınan modeli, devreye alma ayrıntıları sayfasından iki şekilde test edebilirsiniz: bir form ile test edin ya da JSON koduyla test edin.

  10. JSON girişinitıklatın, ardından aşağıdaki test verilerini kopyalayın ve var olan JSON metnini değiştirmek için yapıştırın:

      {
         "input_data": [
            {
               "fields": [
                           "age",
                           "bp",
                           "sg",
                           "al",
                           "su",
                           "rbc",
                           "pc",
                           "pcc",
                           "ba",
                           "bgr",
                           "bu",
                           "sc",
                           "sod",
                           "pot",
                           "hemo",
                           "pcv",
                           "wbcc",
                           "rbcc",
                           "htn",
                           "dm",
                           "cad",
                           "appet",
                           "pe",
                           "ane",
                           "class"
               ],
               "values": [
                          [
                          "62",
                           "80",
                           "1.01",
                           "2",
                           "3",
                           "normal",
                           "normal",
                           "notpresent",
                           "notpresent",
                           "423",
                           "53",
                           "1.8",
                           "",
                           "",
                           "9.6",
                           "31",
                           "7500",
                           "",
                           "no",
                           "yes",
                           "no",
                           "poor",
                           "no",
                           "yes",
                           "ckd"
                           ]
               ]
            }
         ]
      }
      
      

  11. Diyabetli 62 yaşındaki bir çocuğa 1.8 serum kreatinin oranının böbrek hastalığı tanısı konup konmayacağını tahmin etmek için Predict (Tahmin) seçeneğini tıklatın. Ortaya çıkan tahmin, bu hastanın böbrek hastalığı teşhisinde yüksek bir olasılığa sahip olduğunu gösteriyor.

  İlerlemenizi denetleyin

  Aşağıdaki resim, bir öngörü ile model devreye alımına ilişkin Test sekmesini gösterir.
  
  

  

  
  Başa dön