Oracle Analytics Cloud (OAC) широко используется для анализа данных и создания информационных панелей и отчетов. Расширяя возможности самообслуживания и корпоративной отчетности, он также предоставляет расширенные функции, позволяющие использовать различные алгоритмы машинного обучения для построения моделей машинного обучения. Это будет дополнительным преимуществом не только для разработчиков, но и для бизнес-пользователей, поскольку они смогут видеть прогнозируемое состояние своих соответствующих бизнес-процессов вместе с историческими данными.
Типы моделей машинного обучения, поддерживаемые OAC:
Поток данных OAC поддерживает 4 типа моделей машинного обучения, и в каждой модели присутствует несколько алгоритмов машинного обучения.
1. Числовой прогноз
Как следует из названия, эта модель используется для прогнозирования непрерывных переменных (числовых переменных). Для этой модели доступны следующие алгоритмы: простая линейная регрессия, CART, случайный лес и линейная регрессия эластичной сети. Например, если нам нужно прогнозировать продажи магазинов с использованием исторических данных, мы можем использовать эту модель для прогнозирования того же.
2. Двоичный классификатор
Эта модель помогает нам построить прогноз для категориальных переменных с двоичными значениями. Например, если нам нужно предсказать, является ли электронное письмо спамом или ветчиной, мы можем использовать эту модель. Алгоритмы варьируются от логистической регрессии, классификаторов случайного леса до продвинутых алгоритмов, таких как SVM, нейронная сеть, наивный байес, CART.
3. Мультиклассификатор
Если требуется классифицировать экземпляр по трем или более классам, можно использовать модель с несколькими классификаторами. Например, определение групп клиентов на основе различных атрибутов, чтобы найти модели продаж. Эта модель также поддерживает Random Forest, SVM, Neural Network, Naive Bayes, CART.
4. Кластеризация
Если прогнозируемый набор данных не помечен, можно использовать модель кластеризации, которая анализирует и помечает немаркированные наборы данных (неконтролируемые модели). Например, для определения сегмента рынка на основе поведения клиентов. Модель поддерживает алгоритмы кластеризации K-средних и иерархической кластеризации.
OAC также предоставляет параметр AutoML, в котором соответствующий алгоритм выбирается автоматически на основе данных и целевой переменной, предоставленных пользователем. Это было бы более полезно для бизнес-пользователя, который не слишком знаком с технологиями. Для опытных специалистов по данным OAC также позволяет интегрировать пользовательские скрипты для повышения точности моделей.
Как создать и обучить прогностическую модель.
Мы можем создать поток данных, в котором мы используем исторический набор данных в качестве входных данных и выбираем подходящие модели ML и алгоритм ML для обучения этого набора данных и создания прогностического набора данных.
В редакторе потока данных OAC мы можем выбрать подходящую модель для нашего набора обучающих данных. Набор обучающих данных должен быть актуальным и сбалансированным. Если мы выбираем модели в категориях «Числовое предсказание», «Двоичный классификатор» или «Мультиклассификатор», необходимо указать целевой столбец из набора данных поезда. Это будет целевой переменной для модели.
Основные шаги, необходимые для создания прогноза, показаны на диаграмме ниже:
И. Чтобы создать прогнозную модель
- На главной странице OAC нажмите создать и выберите Поток данных.
- В новом окне редактора потока данных, чтобы выбрать набор данных, который вы хотите обучить, нажмите добавить данные.
- Выберите подходящую модель машинного обучения в соответствии с вашей прогностической переменной и выберите подходящий алгоритм. Если вы выбираете контролируемую модель, такую как численный прогноз и классификация, выберите целевой столбец.
- Измените настройки модели, чтобы настроить модель.
- Затем сохраните модель под соответствующим именем.
- Сохраните поток данных.
- Запустите поток данных, чтобы сгенерировать прогностическую модель.
- Мы можем найти нашу модель машинного обучения в разделе Навигатор-›Машинное обучение-›Модели.
II. Осмотреть модель (проверить качество модели)
- Нажмите Навигатор, выберите Машинное обучение, там мы увидим созданную нашу прогностическую модель.
- Нажмите Меню действий модели, нажмите проверить, выберите вкладку Качество. Здесь мы можем получить информацию о метриках точности модели.
- Если показатели точности не соответствуют ожидаемым, вы можете соответствующим образом изменить параметры модели и повторно запустить поток данных вручную, чтобы настроить модель.
III. Применить модель
- На главной странице OAC нажмите создать и выберите Поток данных.
- В новом окне редактора потока данных нажмите «Добавить данные» и выберите набор данных, который вы хотите предсказать.
- Выберите применить модель и выберитемодель машинного обучения, созданную ранее.
- Дайте соответствующее имя для прогнозируемого столбца.
- Выберите сохранить данные.
- Сохраните и запустите поток данных. Создается прогнозируемый набор данных, и вы можете добавить этот набор данных в рабочую книгу, чтобы выявить тенденции и закономерности в соответствии с бизнес-требованиями.
Сводка
Возможности OAC для описательной и диагностической аналитики широко используются. С тем же набором данных, который используется для описательной/диагностической аналитики, и используя встроенные модели, мы также можем выполнять прогнозный анализ. Это даст бизнес-пользователям представление о том, что произошло, почему это произошло и что может произойти в будущем. Внедрение прогностических моделей намного проще, так что бизнес-пользователь без особых технических знаний может реализовать его с минимальной поддержкой со стороны команды.
Напишите нам по адресу [[email protected]], чтобы внедрить услуги, связанные с Oracle Analytics Cloud, в свой бизнес и узнать больше о наших услугах Oracle Analytics. Узнайте, какую пользу наши клиенты по всему миру получили от наших аналитических услуг Oracle.
Автор
Раги Э Р,
Ассоциированный консультант -BI,
Навигация Консалтинг в Индии
Navigate Consulting India, которая является дочерней компанией Navigate Consulting Group, Швеция, и обслуживает рынок Южной Азии и США. Мы 𝗽𝗽𝘀 𝘀𝗼𝗹𝘂𝘁𝗶𝗼𝗻𝘀 𝗳𝗼𝗿 𝗠𝗮𝗻𝘂𝗳𝗮𝗰𝘁𝘂𝗿𝗶𝗻𝗴, 𝗥𝗲 𝘁𝗮𝗶𝗹, 𝗕𝗮𝗻𝗸𝗶𝗻𝗴 / 𝗜𝗻𝘀𝘂𝗿𝗮𝗻𝗰𝗲 & 𝗦𝗲𝗿𝘃𝗶𝗰𝗲𝘀 𝘃 𝗲𝗿𝘁𝗶𝗰𝗮𝗹𝘀 и помочь клиентам получить максимальную отдачу от своих инвестиций в Oracle Apps. 𝗢𝘂𝗿 𝘁𝗿𝗮𝗰𝗸 𝗿𝗲𝗰𝗼𝗿𝗱 𝗵𝗮𝘀 𝗯𝗲𝗲𝗻 𝘁𝗼 𝗱𝗲𝗹𝗶𝘃 𝗲𝗿 𝗮𝗹𝗹 𝗼𝘂𝗿 𝗽𝗿𝗼𝗷𝗲𝗰𝘁𝘀 𝗼𝗻 𝘁𝗶𝗺𝗲 𝗶𝗻 𝗳𝘂𝗹𝗹 𝘄 𝗶𝘁𝗵 𝗻𝗼 𝗰𝗼𝘀𝘁 𝗲𝘀𝗰𝗮𝗹𝗮𝘁𝗶𝗼𝗻𝘀. Мы стремимся предоставлять инновационные и эффективные решения для наших клиентов.
