成品网站模块wordpress标题字数

成品网站模块,wordpress标题字数,海南澄迈网站建设,wordpress 底部模板终于#xff0c;InfiniSynapse 最新版本正式推出了机器学习功能。InfiniSynapse 在此之前具备访问各种数据源#xff0c;支持对不同数据源的数据做join关联#xff0c;同时具备特征工程的能力#xff0c;在此基础上#xff0c;机器学习的到来也就水到渠成。 InfiniSynapse…终于InfiniSynapse 最新版本正式推出了机器学习功能。InfiniSynapse 在此之前具备访问各种数据源支持对不同数据源的数据做join关联同时具备特征工程的能力在此基础上机器学习的到来也就水到渠成。InfiniSynapse 涵盖了主流算法比如线性回归类算法LinearRegressionr, 分类算法诸如随机森林,XGBoost, 时序类算法 ARIMA 等。今天我以金融领域的评分卡为例来介绍在 InfiniSynapse 中如何使用机器学习来完成金融评分卡。我们会使用UCI信用卡违约数据集这是一个高质量的融评分卡数据集。根据用户的年龄还贷等各种特征来判断用户下一个是否会违约。准备数据首先我们要连接数据点击 数据源/创建数据库新建数据库 UCI_Credit_Card:接着上传我们的UCI信用卡违约数据集了解数据和算法然后我们先了解下当前数据集的情况询问下 InfiniSynapse 有没有和评分卡相关的机器学习算法可以看到InfiniSynapse 会告诉你我们有专门的一个 ScoreCard算法该算法内部使用了线性回归来做预测并且说明了该算法的用途和场景。开始工作不过我自己实测发现ScoreCard 依赖的 Binning 算法在当前的这个版本效率有点差所以我决定直接采用SQL 做特这个特征工程然后使用随机森林之类的分类算法来做预测。InfiniSynapse 开始做特征工程接着使用训练模型评估模型效果:测试集效果如果你觉得效果不好 可以让 InfiniSynapse 调整参数再次训练模型即可让他必须达到多好的准确率才能停止。模型部署现在我们将模型做个部署在 InfiniSynapse 里一个模型可以被注册成一个SQL函数所以接着你就可以用该SQL函数做预测了然后统计准确率或者对数据做预测保存起来。外部使用特征工程和模型你可能会有疑问特征工程以及训练好的模型能否被外部使用当然 InfiniSynapse 对外提供 Rest 接口你可以通过如下方式访问curl -X POST http://localhost:9003/model/predict \ -H Content-Type: application/x-www-form-urlencoded \ --data-urlencode dataTyperow \ --data-urlencode owner你的用户id \ --data-urlencode sessionPerUsertrue \ --data-urlencode data[{LIMIT_BAL:80000,SEX:2,EDUCATION:2,MARRIAGE:1,AGE:35,PAY_0:0,PAY_2:0,PAY_3:0,PAY_4:0,PAY_5:0,PAY_6:0,BILL_AMT1:25000,BILL_AMT2:22000,BILL_AMT3:18000,BILL_AMT4:15000,BILL_AMT5:12000,BILL_AMT6:10000,PAY_AMT1:5000,PAY_AMT2:4000,PAY_AMT3:3000,PAY_AMT4:2000,PAY_AMT5:1500,PAY_AMT6:1000}] \ --data-urlencode sqlvec_argmax(predict_credit_risk(vec_dense(array(CAST(LIMIT_BAL AS DOUBLE) / 10000.0, CAST(SEX AS DOUBLE), CAST(EDUCATION AS DOUBLE), CAST(MARRIAGE AS DOUBLE), CAST(AGE AS DOUBLE) / 100.0, CAST((CASE WHEN PAY_0 0 THEN 1 ELSE 0 END) (CASE WHEN PAY_2 0 THEN 1 ELSE 0 END) (CASE WHEN PAY_3 0 THEN 1 ELSE 0 END) (CASE WHEN PAY_4 0 THEN 1 ELSE 0 END) (CASE WHEN PAY_5 0 THEN 1 ELSE 0 END) (CASE WHEN PAY_6 0 THEN 1 ELSE 0 END) AS DOUBLE), (CAST(BILL_AMT1 AS DOUBLE) CAST(BILL_AMT2 AS DOUBLE) CAST(BILL_AMT3 AS DOUBLE) CAST(BILL_AMT4 AS DOUBLE) CAST(BILL_AMT5 AS DOUBLE) CAST(BILL_AMT6 AS DOUBLE)) / 60000.0, (CAST(PAY_AMT1 AS DOUBLE) CAST(PAY_AMT2 AS DOUBLE) CAST(PAY_AMT3 AS DOUBLE) CAST(PAY_AMT4 AS DOUBLE) CAST(PAY_AMT5 AS DOUBLE) CAST(PAY_AMT6 AS DOUBLE)) / 6000.0, CASE WHEN CAST(LIMIT_BAL AS DOUBLE) 0 THEN ((CAST(BILL_AMT1 AS DOUBLE) CAST(BILL_AMT2 AS DOUBLE) CAST(BILL_AMT3 AS DOUBLE) CAST(BILL_AMT4 AS DOUBLE) CAST(BILL_AMT5 AS DOUBLE) CAST(BILL_AMT6 AS DOUBLE)) / 6.0) / CAST(LIMIT_BAL AS DOUBLE) ELSE 0.0 END, CASE WHEN (CAST(BILL_AMT1 AS DOUBLE) CAST(BILL_AMT2 AS DOUBLE) CAST(BILL_AMT3 AS DOUBLE) CAST(BILL_AMT4 AS DOUBLE) CAST(BILL_AMT5 AS DOUBLE) CAST(BILL_AMT6 AS DOUBLE)) 0 THEN (CAST(PAY_AMT1 AS DOUBLE) CAST(PAY_AMT2 AS DOUBLE) CAST(PAY_AMT3 AS DOUBLE) CAST(PAY_AMT4 AS DOUBLE) CAST(PAY_AMT5 AS DOUBLE) CAST(PAY_AMT6 AS DOUBLE)) / (CAST(BILL_AMT1 AS DOUBLE) CAST(BILL_AMT2 AS DOUBLE) CAST(BILL_AMT3 AS DOUBLE) CAST(BILL_AMT4 AS DOUBLE) CAST(BILL_AMT5 AS DOUBLE) CAST(BILL_AMT6 AS DOUBLE)) ELSE 0.0 END, CAST(CASE WHEN AGE 25 THEN 0 WHEN AGE 35 THEN 1 WHEN AGE 50 THEN 2 ELSE 3 END AS DOUBLE))))) as prediction其中 owner 设置为你的用户ID然后data 是要预测的数据。 sql 是对要预测数据先做特征工程然后加模型预测。下面是预测结果总结尽管当前ML功能还处于Beta 阶段 但我们可以看到数据特征工程模型训练模型部署内部或者外部使用都可以让InfiniSynapse 自主完成我相信我们离摘下数据分析的皇冠已经很近我们将数据分析和传统机器学习算法的成本大幅度降低让世界所有个人和企业都可以真正意义上被数据驱动。