Verwenden von „Gruppieren nach“ zur Klassifizierung
Verwenden Sie APIs, um mehrere Klassifizierungslösungen gleichzeitig für das Training basierend auf dem Feld „Gruppieren nach“ zu übermitteln.
Sie können die optionale Funktion „Gruppieren nach“ verwenden, um eine Klassifizierungslösung zu trainieren und zu verwalten, die mehr als einen Datenbereich abdeckt, z. B. geografischer Standort oder Domäne.
Um eine Lösung mit „Gruppieren nach“ zu trainieren, müssen Sie den Parameter „groupby“ hinzufügen, während Sie eine Klassifizierungslösungsdefinition mithilfe von APIs erstellen. Der Parameter „groupby“ akzeptiert nur kategorische Spalten als Eingaben, wobei einzelne Modelle auf der Teilmenge der Daten erstellt werden, die zu den einzelnen Werten von „groupby“ gehören. Es werden nur die untergeordneten Lösungen erstellt, die die für die Fähigkeit festgelegten Kriterien für Mindestdatensätze erfüllen. Hier werden die Vorhersageaufrufe basierend auf dem Wert für „Gruppieren nach“, der in der Vorhersageeingabe vorhanden ist, an das entsprechende „Gruppieren nach“-Modell weitergeleitet. Batch-Vorhersagen werden nicht unterstützt.
Ein „Gruppieren nach“-Szenario für geografische Standorte
Angenommen, Ihr globales Unternehmen verwendet eine Klassifizierungsweiterleitung für eingehende Datensätze mit einem Supportcenter in den USA und einem in Europa. Hier möchten Sie eine Einzelklassifizierungslösung erstellen, die über ein Modell für Incidents in den USA und ein weiteres Modell für Incidents in Europa verfügt.
- Erstellen und trainieren Sie zwei separate Definitionen für ML-Klassifizierungslösungen, von denen eine nur nach Incidents in den USA und eine andere 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 das verwendete Modell zur Vorhersage der richtigen Klassifizierungskategorie.
Der zweite Ansatz hat den Vorteil, dass Sie Modelle verwenden können, die sogar anderen Domänen angehören, z. B. dem Gesundheitswesen oder dem Finanzwesen. Dieser Ansatz ist besonders vorteilhaft, wenn Sie mehrere Länderstandorte oder Domänen verwalten müssen.
Beispielverwendung für 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);Weitere Informationen zu diesem Beispiel und zur allgemeinen Verwendung von APIs für maschinelles Lernen finden Sie unter den Links im Abschnitt „Zugehörige Inhalte“ auf dieser Seite.