Apprentissage et prédiction Python

Fenêtre de script

Commencez en sélectionnant "Script apprentissage et prédiction" dans la liste déroulante.

Environnement : choisissez l'environnement Python nécessaire où vous désirez configurer le modèle.

Packages : cliquez sur le bouton Packages afin de voir les packages présents dans un environnement donné.

Script : écrire le script Python apprentissage et prédiction (voir détails ci-dessous).

Type de processus d'exécution

Cette sélection détermine la quantité de données utilisée pour entraîner l'algorithme.

Rapide : utilise 20% des données.

Précis : utilise 90% des données.

Personnalisé : saisir une quantité personnalisée.

Fenêtre d'entrée

Entrée : énumère les colonnes ayant été entrées dans la fonction d'apprentissage de l'algorithme.

Fenêtre de sortie

Sortie : la sortie de l'algorithme. Choisissez si la sortie devrait être ajoutée au tableau existant ou utilisée pour créer un nouveau tableau.

Enregistrer le modèle d'apprentissage auto

Enregistrer modèle : enregistrer la sortie de l'algorithme en tant que modèle d'apprentissage automatique (voir détails ci-dessous).

Établir comme cible : établir le nœud Python comme cible du flux de données (voir détails ci-dessous).

Fenêtre de score

Score : le score que l'algorithme attibue au modèle d'apprentissage auto, et qui indique à quel point ce dernier est fiable. Pour établir ce score, l'algorithme compare ses prédictions établies à partir des données d'entraînement avec les données réelles.

Algorithme apprentissage et prédiction

L'algorithme apprentissage et prédiction doit contenir les trois paramètres suivants :

Fonction learn

def pyramid_learn(training_set):

Écriture d'une fonction d'apprentissage qui prendra les données d'entraînement (en entrée) et rendra le modèle d'apprentissage automatique (en sortie).

Pour déterminer le volume des données d'entraînement, effectuez une sélection depuis le type de processus d'exécution sous la fenêtre de Script.

Fonction predict

def pyramid_predict(model, df):

Écriture d'une fonction de prédiction qui appliquera le modèle d'apprentissage auto (rendu par la fonction d'apprentissage) à l'ensemble de données dans son entier. La sortie de la fonction de prédiction est un cadre de données Pandas comportant les résultats prédits (nouvel ensemble ou colonne de données).

Fonction eval

def pyramid_eval(model, testing_set):

Écriture d'une fonction d'évaluation Pyramid, évaluant l'algorithme du modèle d'apprentissage auto. La fonction eval évalue toutes les données prédites rendues par la fonction predict, et les compare aux données d'entraînement. Un score est attribué en fonction de la fréquence des prédictions correctes ; ce score indique la fiabilité du modèle, et est rendu sous l'appellation "Score modèle".

Enregistrer le modèle d'apprentissage auto

Enregistrer le modèle

Choisissez cette option pour enregistrer la sortie de l'algorithme en tant que modèle d'apprentissage automatique. Les résultats existants sont ainsi enregistrés, vous permettant d'ajouter ultérieurement le modèle d'apprentissage auto dans le flux de données ; ce qui est utile si vous désirez appliquer le modèle d'apprentissage auto aux nouvelles données du flux. Dans ce cas, l'algorithme sera exécuté plus rapidement parce que les résultats précédents sont conservés. La fonction d'apprentissage ayant été déjà été exécutée dans l'algorithme, seule la fonction de prédiction sera lancée.

Pour enregistrer un modèle d'apprentissage automatique, choisissez Enregistrer modèle ; nommez le modèle d'apprentissage auto dans le boîte de texte au-dessous. Exécuter le flux principal.

Pour utiliser un modèle d'apprentissage auto enregistré dans un flux de données, allez à l'onglet Scripting, et ajoutez le nœud de modèle de scripting au flux de données ; il faut l'ajouter au même tableau que celui auquel il était relié à l'origine (il doit contenir les mêmes colonnes).

Dans le panneau Propriétés du nœud de modèle de scripting, allez à la fenêtre Modèle de scripting. Sous Type de modèle, choisissez Python. Sous le Nom de modèle, choisissez le modèle d'apprentissage automatique.

Définir en tant que cible

Cette option est uniquement activée si vous avez sélectionné Enregistrer modèle. Choisissez cette option pour utiliser le nœud Python en tant que cible. Dans ce scénario, les données ETL ne sont pas chargées dans la base de données. En l'absence de sortie ETL, seule la fonction d'apprentissage de l'algorithme sera exécutée (les fonctions de prédiction et d'évaluation ne seront pas lancées).