Verwenden von „Gruppieren nach“ für die Klassifizierung
Verwenden Sie APIs, um gleichzeitig mehrere Klassifizierungslösungen für das Training basierend auf dem Feld „Gruppieren nach“ zu übermitteln.
Sie können die optionale Fähigkeit „Gruppieren nach“ verwenden, um eine Klassifizierungslösung zu trainieren und zu verwalten, die mehr als einen Datenbereich abdeckt, z. B. geografischen Standort oder Domäne.
Um eine Lösung mit Gruppieren nach zu trainieren, müssen Sie den Parameter groupby hinzufügen, während Sie eine Klassifizierungslösungsdefinition mit APIs erstellen. Der Parameter groupby akzeptiert nur kategoriale Spalten als Eingaben, wobei einzelne Modelle für die Teilmenge der Daten erstellt werden, die zu jedem der groupby- Werte gehören. Es werden nur die untergeordneten Lösungen erstellt, die die für die Fähigkeit festgelegten Mindestdatensatzkriterien erfüllen. Hier werden die Vorhersageaufrufe basierend auf dem in der Vorhersageeingabe vorhandenen Wert für „Gruppieren nach“ an das entsprechende „Gruppieren nach“-Modell weitergeleitet. Batch-Vorhersagen werden nicht unterstützt.
Ein Gruppieren nach-Szenario für geografische Standorte
Angenommen, Ihr globales Unternehmen verwendet die Klassifizierungsweiterleitung für eingehende Datensätze mit einem Support-Center in den USA und einem in Europa. Hier möchten Sie eine einzelne Klassifizierungslösung erstellen, die ein Modell für Ihre Incidents in den USA und ein anderes Modell für Ihre Incidents in Europa enthält.
- Erstellen und trainieren Sie zwei separate Definitionen der ML-Klassifizierungslösung, wobei eine nur nach US-Incidents und eine nur nach Incidents in Europa gefiltert wird.
- Verwenden Sie den Parameter groupby, um Groupby für den Länderstandort zu erstellen, sodass alle US-Definitionen ein US-Modell und alle Europa-Definitionen ein Europa-Modell erstellen. Dann identifiziert das System basierend auf dem Incident, welches Modell zur Vorhersage der richtigen Klassifizierungskategorie verwendet wird.
Der zweite Ansatz hat den Vorteil, dass sich die von Ihnen verwendeten Modelle sogar in anderen Domänen befinden können, z. B. im Gesundheitswesen oder im Finanzwesen. Dieser Ansatz ist besonders vorteilhaft, wenn Sie mehrere Länderstandorte oder Domänen verwalten müssen.
Beispiel für die Verwendung von Training und Vorhersage mit „Gruppieren nach“ über API
var myIncidentData = new sn_ml.DatasetDefinition({
'tableName' : 'incident',
'fieldNames' : ['category','short_description','assignment_group','description','priority'],
'encodedQuery' : 'activeANYTHING'
});
var mySolution = new sn_ml.ClassificationSolution({
'label': 'solution label',
'dataset' : myIncidentData,
'groupByFieldName' : 'assignment_group',
'predictedFieldName': 'category',
'inputFieldNames': ['short_description','description','priority']
});
//Add solution definition
var solution_gr = sn_ml.ClassificationSolutionStore.add(mySolution)
//Get existing solution
var my_unique_name = sn_ml.ClassificationSolutionStore.get('solution name');
// submit training job
var solutionVersion = my_unique_name.submitTrainingJob();
// Run prediction
var input = new GlideRecord("incident");
input.get("sys_id");
// configure optional parameters
var options = {};
options.apply_threshold = false;
var mlSolution = sn_ml.ClassificationSolutionStore.get('solution name');
//Prediction using glide record
var results = mlSolution.getActiveVersion().predict(input, options);
//Prediction using map
var results = mlSolution.getActiveVersion().predict([{ 'short_description': input.short_description,
'assignment_group': input.assignment_group }], options);Weiteren Kontext zu diesem Beispiel und zur allgemeinen Verwendung von APIs für maschinelles Lernen finden Sie in der Dokumentation, die im Abschnitt „Verwandte Themen“ unten angegeben ist.