ClusteringSolution – Global

  • Freigeben Version: Zurich
  • Aktualisiert 31. Juli 2025
  • 11 Minuten Lesedauer

    • Die ClusteringSolution API ist ein skriptfähiges Objekt, das in verwendet wird Predictive Intelligence Speichert.

    Diese(s) API erfordert Predictive Intelligence Plugin (com.glide.platform_ml) und wird in bereitgestellt sn_ml Namespace.

    Der Flow „Setup der Lösung zu Training“ lautet wie folgt:
    1. Erstellen Sie einen Datensatz mit Datendefinition API.
    2. Obligatorisch, wenn der K-Means-Clustering-Algorithmus verwendet wird. Erstellen Sie einen Encoder mit Encoder API.
    3. Verwenden Sie Konstruktor Dient zum Erstellen eines Clustering-Lösungsobjekts.
    4. Fügen Sie das Lösungsobjekt dem Clustering-Lösungsspeicher mit hinzu ClusteringSolutionStore – add() Methode.
    5. Trainieren Sie die Lösung mit SubmitTrainingJob() Methode. Dadurch wird eine Version des Objekts erstellt, das Sie mit verwalten können ClusteringSolutionVersion API.
    6. Rufen Sie Vorhersagen mit ab ClusteringSolutionVersion – Predict() Methode.
    Hinweis:
    Diese API wird ausgeführt Mit vollständigen Berechtigungen vor dem Vancouver Patch 7 Hotfix 2b und Washington DC Patch 7-Releases. Gewähren Sie in späteren Releases Zugriff mithilfe von ACLs. Weitere Informationen finden Sie unter Query ACLs.

    Nutzungsrichtlinien finden Sie unter Mit ML APIs .

    ClusteringSolution: ClusteringSolution (Objektkonfiguration)

    Erstellt eine Clusterlösung.

    Tabelle : 1. Parameter
    Name Typ Beschreibung
    Konfiguration Objekt JavaScript-Objekt mit Konfigurationseigenschaften von Lösung.
    {
  "algorithmConfig": {Object},
  "clusterConcept": "String",
  "clusterConceptFieldNames": [Array],
  "dataset": {Object},
  "domainName": "String",
  "encoder": {Object},
  "groupByFieldName": "String",
  "groupUnclusteredRecords": Boolean,
  "inputFieldNames": [Array],
  "label": "String",
  "maxTimeWindowForUpdate" : Number,
  "minRecordsPerCluster" : Number,
  "minRowCount": "String",
  "processingLanguage": "String",
  "stopwords": [Array],
  "trainingFrequency": "String",
  "updateFrequency": "String"
}
    Config.algorithmKonfig Objekt Erforderlich, es sei denn, Sie legen fest encoderEigenschaft. JavaScript-Objekt mit Algorithmuskonfigurationseigenschaften.Eigenschaftseinstellungen variieren je nach Wert, der in festgelegt ist algorithmEigenschaft.
    'algorithmConfig': {
  "algorithm": "String",  
  // See algorithmConfig.algorithm setting description for property settings based on algorithm
}
    Config.algorithmConfig.algorithmus Zeichenfolge Methode zum Codieren Ihrer Lösung.
    Gültige Werte:
    • dbscan – Clustering-Algorithmus für dichtebasiertes räumliches Clustering von Anwendungen mit Rauschen (DBSCAN). Mit diesem Algorithmus verwendete Eigenschaften:
      • distanceMetric
      • epsilon
      • minimumNeighbours
    • hdbscan – Clustering-Algorithmus für hierarchisch dichtebasiertes räumliches Clustering von Anwendungen mit Rauschen (HDBSCAN). Mit diesem Algorithmus verwendete Eigenschaften:
      • minimumSamples
    • kmeans – K-Means-Clustering-Algorithmus. Standard. Die targetCoverageEigenschaft wird mit diesem Algorithmus verwendet.

    Einige Anwender bevorzugen DBSCAN, da Sie vor dem Clustering nicht die Anzahl der Cluster in den Daten angeben müssen.

    Eigenschaften für dbscan:
    'algorithmConfig': {
  "algorithm": "dbscan",
  "distanceMetric": "String",
  "epsilon": Number,
  "minimumNeighbours": Number
}
    Eigenschaften für hdbscan:
    'algorithmConfig': {
  "algorithm": "hdbscan",
  "minimumSamples": Number
}
    Eigenschaften für kmeans:
    'algorithmConfig': {
  "algorithm": "kmeans",
  "targetCoverage": Number
}
    Config.algorithmConfig.distanceMetric Zeichenfolge Nur DBSCAN-Algorithmus. Entfernungsmetrik zum Scannen nach ähnlichen Datenobjekten.

    Gültige Werte: levenshteinDistance
    Config.algorithmConfig.epsilon Anzahl Nur DBSCAN-Algorithmus. Dezimalwert zwischen 0 und 1, der die Größe des Suchradius des Arbeitsbereichs darstellt.
    Config.algorithmConfig.minimumNeighbours Anzahl Nur DBSCAN-Algorithmus. Mindestanzahl von Nachbarn, die in einem Punkt erforderlich sind, um Teil eines Clusters zu sein. Für levenshteinDistanceDer Wert muss 1 sein, damit keine Punkte aus dem Datensatz ausgeschlossen werden.
    Config.algorithmConfig.minimumSamples Anzahl Mindestanzahl von Datenbeispielen in einem Arbeitsbereich, die erforderlich sind, um zu bestimmen, ob ein Punkt ein Kernpunkt ist.

    Standard: Keine
    Config.algorithmConfig.targetCoverage Anzahl Nur K-Means-Algorithmus. Perzentilfeld zum Herausfiltern von Datensätzen, die einander weniger ähnlich sind.
    Config.clusterConcept Zeichenfolge Optional. Konzepttyp. Ein Konzept ist eine Reihe von Wörtern, die in absteigender Reihenfolge der Häufigkeit aufgeführt sind. Um ein TFIDF-basiertes Clusterkonzept zu generieren, legen Sie den Wert auf fest Tfidf . Konzepttypen werden in der Tabelle „Clustering-Definitionen“ [ml_Capability_Definition_Clustering] aufgeführt.

    Standard: Häufigkeitsbasiertes Clusterkonzept
    Config.clusterConceptFeldnamen Array Optional. Liste der Feldnamen des Clusterkonzepts. Diese Werte sind externe Spalten zum Erstellen eines Clusterkonzepts und werden nicht für das Training von Clusterlösungen verwendet. Wenn externe Spalten bereitgestellt werden, werden diese Spalten nur für das Clusterkonzept und nicht für das Clustering-Lösungstraining verwendet. Cluster-Konzeptfelder werden in der Tabelle „Clustering-Definitionen“ [ml_Capability_Definition_Clustering] aufgeführt.

    Standard: Eingabetextspalten generieren das Clusterkonzept
    Config.Dataset Objekt Datendefinition Objektname.
    Config.Domänenname Zeichenfolge Optional. Domänenname, der diesem Datensatz zugeordnet ist. Siehe Domänentrennung und Predictive Intelligence.

    Standard: Aktuelle Domäne, z. B. „Global“ .
    Config.encoder Objekt Erforderlich, es sei denn, Sie legen fest algorithmConfigEigenschaft bis „LevenshteinDistance“ . Trainiertes Encoderobjekt, das dieser Lösung zugewiesen werden soll. Siehe Encoder – Encoder (Objektkonfiguration).
    config.groupByFieldName Zeichenfolge Optional. Feldname, nach dem das System Datensätze in einem oder mehreren Clustern gruppiert.
    Im folgenden Setup-Beispiel gruppiert das System jeden Typ in einem einzelnen Cluster, wobei 10 Cluster gerendert werden.
    • groupByFieldNameWert ist „Kategorie“
    • Datendefinition tableNameWert ist „Incident“
    • Die Tabelle „Incident“ [Incident] hat 10 Kategorietypen
    config.groupUnclusteredRecords Boolean

    Kennzeichnung, die angibt, ob nicht gruppierte Datensätze in Ergebnissen gruppiert werden sollen.

    Gültige Werte:
    • Wahr: Gruppieren Sie nicht gruppierte Datensätze separat in Ergebnissen.
    • Falsch: Gruppieren Sie nicht gruppierte Datensätze in Ergebnissen. Nicht gruppierte Werte (-1) werden mit den restlichen Ergebnissen angezeigt.

    Standardwert: false
    config.inputFieldNames Array Liste der Eingabefeldnamen als Zeichenfolgen. Das Modell verwendet diese Felder, um Vorhersagen zu treffen.
    Config.label Zeichenfolge Gibt die Vorhersageaufgabe an.
    Config.maxTimeWindowForUpdate Anzahl Optional. Anzahl der Minuten vor dem Modellaktualisierungspunkt, um nach Datensätzen zu suchen. Wenn der Wert beispielsweise 15 ist, sucht das System nur nach Datensätzen, die in den letzten 15 Minuten erstellt wurden. Standardmäßig scannt das System alle Datensätze.
    Config.minRecordsPerCluster Anzahl Optional. Mindestanzahl von Datensätzen, die in einem Cluster zulässig sind. Der Wert muss größer oder gleich 2 sein.

    Standardwert: 2
    Config.minRowCount Zeichenfolge Optional. Mindestanzahl der Datensätze, die im Datensatz für das Training erforderlich sind.

    Standard: 10000
    config.processingLanguage Zeichenfolge Sprache wird im zweistelligen ISO 639-1-Sprachcodeformat verarbeitet.
    Config.Stoppwörter Array Optional. Voreingestellte Liste von Zeichenfolgen, die das System automatisch basierend auf generiert languageEigenschaftseinstellung. Weitere Informationen finden Sie unter Erstellen Sie eine anwenderdefinierte Stoppwortliste .

    Standard: Englische Stoppwörter
    Config.trainingHäufigkeit Zeichenfolge Die Häufigkeit, mit der das Modell neu trainiert werden soll.
    Mögliche Werte:
    • Every_30_days
    • Every_60_days
    • Every_90_days
    • Every_120_days
    • Every_180_days
    • run_once
    Standard: Run_once
    Config.updateHäufigkeit Die Häufigkeit, mit der das Modell für die Lösungsdefinition neu erstellt werden muss.
    Mögliche Werte:
    • Do_Not_Update
    • Every_1_day
    • Every_1_Hour
    • Every_6_hours
    • Every_12_hours
    • Jede_1_Minute
    • Alle_15_Minuten
    • Alle_30_Minuten
    Standard: Do_Not_Update

    Das folgende Beispiel zeigt, wie ein Objekt erstellt und dem hinzugefügt wird ClusteringSolution Store. Das Beispiel zeigt auch, wie das Objekt zum Training übermittelt wird.

    try{
    var myData = new sn_ml.DatasetDefinition({
        'tableName' : 'incident',
        'fieldNames' : ['category', 'short_description', 'state', 'description'],
        'encodedQuery' : 'activeANYTHING'
    });

    // get a trained encoder from the store
    var myEncoder = sn_ml.EncoderStore.get('<encoder_name >');
        
    var mySolution = new sn_ml.ClusteringSolution({
        'label': "clustering solution",
        'dataset' : myData,
        'encoder' : myEncoder,
        'inputFieldNames':['short_description'],                
        'groupByFieldName' : 'category',        
        'algorithmConfig' : {
            'algorithm' : 'kmeans',
            'targetCoverage' : '90'
        }
    });
    
    // add solution
    var solutionName = sn_ml.ClusteringSolutionStore.add(mySolution);
    var solutionVersion = mySolution.submitTrainingJob();    
    var trainingStatus = solutionVersion.getStatus();
    gs.print(JSON.stringify(JSON.parse(trainingStatus), null, 2));
​
} catch(ex){
    gs.print('Exception caught: '+ ex.getMessage());
}

    Ausgabe:

    {
  "state": "waiting_for_training",
  "percentComplete": "0",
  "hasJobEnded": "false"
}

    Das folgende Beispiel zeigt, wie das Feld „Beschreibung“ als Clusterkonzeptfeld eingeschlossen wird.

    var myIncidentData = new sn_ml.DatasetDefinition({
    'tableName' : 'incident',
    'fieldNames' : ['category', 'short_description', 'description'],
});

var encodersolutionName = sn_ml.EncoderStore.get('<encoder_name >');

var mySolution = new sn_ml.ClusteringSolution({
	'label': 'clustering_test',
	'dataset': myIncidentData,
	'inputFieldNames': ['short_description'],
	'encoder': encodersolutionName,
	'clusterConceptFieldNames': ['description']
});

var solutionNameFromStore = sn_ml.ClusteringSolutionStore.add(mySolution);
var myClassifier = mySolution.submitTrainingJob();

    ClusteringSolution – cancelTrainingJob()

    Bricht einen Auftrag für ab Ein Lösungsobjekt Das zum Training übermittelt wurde.

    Tabelle : 2. Parameter
    Name Typ Beschreibung
    Keine
    Tabelle : 3. Ergebnisse
    Typ Beschreibung
    Keine

    Das folgende Beispiel zeigt, wie Sie einen vorhandenen Schulungsauftrag abbrechen.

    var mySolution = sn_ml.ClusteringSolutionStore.get('ml_sn_global_global_clustering');

mySolution.cancelTrainingJob();

    ClusteringSolution – getActiveVersion()

    Ruft die aktiven ab ClusteringSolutionVersion-Objekt.

    Tabelle : 4. Parameter
    Name Typ Beschreibung
    Keine
    Tabelle : 5. Ergebnisse
    Typ Beschreibung
    Objekt Aktiv ClusteringSolutionVersion Objekt.

    Das folgende Beispiel zeigt, wie Sie einen aktiven erhalten ClusteringSolution Version aus dem Store und gibt den Schulungsstatus zurück. 

    var mlSolution = sn_ml.ClusteringSolutionStore.get('ml_x_snc_global_global_clustering');

gs.print(JSON.stringify(JSON.parse(mlSolution.getActiveVersion().getStatus()), null, 2));

    Ausgabe:

    {
  "state": "solution_complete",
  "percentComplete": "100",
  "hasJobEnded": "true"
}

    ClusteringSolution – getAllVersions()

    Ruft alle Versionen von ab Eine Clustering-Lösung.

    Tabelle : 6. Parameter
    Name Typ Beschreibung
    Keine
    Tabelle : 7. Ergebnisse
    Typ Beschreibung
    Array Vorhandene Versionen eines Lösungsobjekts. Siehe auch ClusteringSolutionVersion API.

    Das folgende Beispiel zeigt, wie alle abgerufen werden ClusteringSolution Versionsobjekte und rufen Sie auf GetVersionNumber() Und GetStatus() Lösungsversionsmethoden darauf.

    var mlSolution = sn_ml.ClusteringSolutionStore.get('ml_x_snc_global_global_clustering');

var mlSolutionVersions = mlSolution.getAllVersions();

for (i = 0; i < mlSolutionVersions.length; i++) {
gs.print("Version " + mlSolutionVersions[i].getVersionNumber() + " Status: " + mlSolutionVersions[i].getStatus() +"\n");
};

    Ausgabe:

    Version 3 Status: {"state":"solution_complete","percentComplete":"100","hasJobEnded":"true"}

Version 2 Status: {"state":"solution_complete","percentComplete":"100","hasJobEnded":"true"}

Version 1 Status: {"state":"solution_cancelled","percentComplete":"0","hasJobEnded":"true"}

    ClusteringSolution – getLatestVersion()

    Ruft die neueste Version von ab Eine Lösung.

    Tabelle : 8. Parameter
    Name Typ Beschreibung
    Keine
    Tabelle : 9. Ergebnisse
    Typ Beschreibung
    Objekt ClusteringSolutionVersion Objekt, das der neuesten Version von entspricht A ClusteringSolution() .

    Das folgende Beispiel zeigt, wie Sie die neueste Version von abrufen Eine Lösung und gibt ihren Schulungsstatus zurück.

    var mlSolution = sn_ml.ClusteringSolutionStore.get('ml_x_snc_global_global_clustering');

gs.print(JSON.stringify(JSON.parse(mlSolution.getLatestVersion().getStatus()), null, 2));

    Ausgabe:

    {
  "state": "solution_complete",
  "percentComplete": "100",
  "hasJobEnded": "true"
}

    ClusteringSolution – getName()

    Ruft den Namen des Objekts ab, das für die Interaktion mit dem Store verwendet werden soll.

    Tabelle : 10. Parameter
    Name Typ Beschreibung
    Keine
    Tabelle : 11. Ergebnisse
    Typ Beschreibung
    Zeichenfolge Name des Lösungsobjekts.

    Das folgende Beispiel zeigt, wie aktualisiert wird ClusteringSolution Datensatzinformationen erstellen und den Namen des Objekts drucken. 

    // Update solution
var myIncidentData = new sn_ml.DatasetDefinition({
   'tableName' : 'incident',
   'fieldNames' : ['category', 'short_description', 'priority'],
   'encodedQuery' : 'activeANYTHING'
});

var eligibleFields = JSON.parse(myIncidentData.getEligibleFields('clustering'));

var myCluster = new sn_ml.ClusteringSolution({
   'label': "my clustering solution",
   'dataset' : myIncidentData,
   'inputFieldNames': eligibleFields['eligibleInputFieldNames'],
   'predictedFieldName': 'category'
});

// update solution
sn_ml.ClusteringSolutionStore.update('ml_x_snc_global_global_clustering_solution', myCluster);

// print solution name
gs.print('Solution Name: '+myCluster.getName());

    Ausgabe:

    Solution Name: ml_x_snc_global_global_clustering_solution

    ClusteringSolution – getProperties()

    Ruft Lösungsobjekteigenschaften ab.

    Tabelle : 12. Parameter
    Name Typ Beschreibung
    Keine
    Tabelle : 13. Ergebnisse
    Typ Beschreibung
    Objekt Inhalt des Datensatzes und ClusteringSolution() Objektdetails in ClusteringSolutionStore .
    {
  "algorithmConfig": {Object},
  "datasetProperties": {Object},
  "domainName": "String",
  "encoder": {Object},
  "groupByFieldName": "String",
  "inputFieldNames": [Array],
  "label": "String",
  "minRecordsPerCluster" : Number,
  "name": "String",
  "processingLanguage": "String",
  "scope": "String",
  "stopwords": [Array],
  "trainingFrequency": "String",
  "updateFrequency": "String"
}
    <Object>.AlgorithmConfig JavaScript-Objekt mit Algorithmuskonfigurationseigenschaften.Eigenschaftenergebnisse variieren je nach Wert, der in festgelegt ist algorithmEigenschaft.
    'algorithmConfig' : {
  "algorithm": "String",  
  // See algorithmConfig.algorithm setting description for property settings based on algorithm
}

    Datentyp: Objekt.
    <Object>.AlgorithmConfig.Algorithmus Methode zum Codieren Ihrer Lösung.
    Eigenschaften für dbscan:
    'algorithmConfig': {
  "algorithm": "dbscan",
  "distanceMetric": "String",
  "epsilon": Number,
  "minimumNeighbours": Number
}
    Eigenschaften für kmeans:
    'algorithmConfig': {
  "algorithm": "kmeans",
  "targetCoverage": Number
}

    Datentyp: Zeichenfolge.
    <Object>.AlgorithmConfig.distanceMetric Nur DBSCAN-Algorithmus. Entfernungsmetrik zum Scannen nach ähnlichen Datenobjekten.

    Datentyp: Zeichenfolge.
    <Object>.AlgorithmConfig.epsilon Nur DBSCAN-Algorithmus. Dezimalwert zwischen 0 und 1, der die Größe des Suchradius des Arbeitsbereichs darstellt.

    Datentyp: Zahl.
    <Object>.AlgorithmConfig.minimumNeighbours Nur DBSCAN-Algorithmus. Mindestanzahl von Nachbarn, die in einem Punkt erforderlich sind, um Teil eines Clusters zu sein. Für levenshteinDistanceDer Wert muss 1 sein, damit keine Punkte aus dem Datensatz ausgeschlossen werden.

    Datentyp: Zahl.
    <Object>.AlgorithmConfig.targetCoverage Nur K-Means-Algorithmus. Perzentilfeld zum Herausfiltern von Datensätzen, die einander weniger ähnlich sind.

    Datentyp: Zahl.
    <Object>.DatasetEigenschaften

    Listet die Eigenschaften von auf Datendefinition() Objekt, das der Lösung zugeordnet ist.

    {
  "encodedQuery": "String",
  "fieldDetails": [Array],
  "fieldNames": [Array],
  "tableName": "String"
}

    Datentyp: Objekt.
    <Object>.DatasetProperties.tableName Name der Tabelle für den Datensatz. Beispiel: „Tabellenname“: „Incident“ .

    Datentyp: Zeichenfolge.
    <Object>.DatenbasisEigenschaften.Feldnamen Liste der Feldnamen aus der angegebenen Tabelle als Zeichenfolgen. Beispiel: „Feldnamen“: [„short_description“, „Priorität“] .

    Datentyp: Array.
    <Object>.DatenbasisEigenschaften.Feldnamen.Felddetails Liste der JavaScript-Objekte, die Feldeigenschaften angeben. 
    [
  {
    "name": "String",
    "type": "String"
  }
]

    Datentyp: Array.
    <Object>.DatenbasisEigenschaften.Feldnamen.Felddetails. <object>.Name Name des Felds, das den Typ der Informationen definiert, auf die dieser Datensatz beschränkt werden soll.

    Datentyp: Zeichenfolge.
    <Object>.DatenbasisEigenschaften.Felddetails. <object>.Typ Feldtyp für maschinelles Lernen.

    Datentyp: Zeichenfolge.
    <Object>.DatasetProperties.fieldDetails.encodedQuery Codierte Abfragezeichenfolge im Standard-Glide-Format. Siehe Codierte Abfragezeichenfolgen .

    Datentyp: Zeichenfolge.
    <Object>.Domänenname Domänenname, der diesem Datensatz zugeordnet ist. Siehe Domänentrennung und Predictive Intelligence.

    Datentyp: Zeichenfolge.
    <Object>.EncoderEigenschaften Encoderobjekt, das dieser Lösung zugewiesen ist. Siehe Encoder – Encoder (Objektkonfiguration).

    Datentyp: Objekt.
    <Object>.GroupByFieldName Feldname, nach dem das System Datensätze in einem oder mehreren Clustern gruppiert.

    Datentyp: Zeichenfolge
    <Object>.InputFieldNames Liste der Eingabefeldnamen als Zeichenfolgen. Das Modell verwendet diese Felder, um Vorhersagen zu treffen.

    Datentyp: Zeichenfolge.
    <Object>.Bezeichnung Gibt die Vorhersageaufgabe an. 
    {
  "label": "my first prediction"
}

    Datentyp: Zeichenfolge.
    <Object>.MinRecordsPerCluster Mindestanzahl von Datensätzen, die in einem Cluster zulässig sind.

    Datentyp: Zahl.
    <Object>.Name Vom System zugewiesener Name.

    Datentyp: Zeichenfolge.
    <Object>.PredictedFieldName Gibt ein Feld an, das zur Vorhersagbarkeit trainiert werden soll.

    Datentyp: Zeichenfolge.
    <Object>.ProcessingLanguage Sprache wird im zweistelligen ISO 639-1-Sprachcodeformat verarbeitet.

    Datentyp: Zeichenfolge.
    <Object>.Umfang Objektbereich. Derzeit ist der einzige gültige Wert Global .

    Datentyp: Zeichenfolge
    <Object>.Stoppwörter Optional. Voreingestellte Liste von Zeichenfolgen, die das System automatisch basierend auf generiert languageEigenschaftseinstellung. Weitere Informationen finden Sie unter Erstellen Sie eine anwenderdefinierte Stoppwortliste .

    Datentyp: Array.
    <Object>.TrainingHäufigkeit Die Häufigkeit, mit der das Modell neu trainiert werden soll.
    Mögliche Werte:
    • Every_30_days
    • Every_60_days
    • Every_90_days
    • Every_120_days
    • Every_180_days
    • run_once
    Standard: Run_once

    Datentyp: Zeichenfolge.
    <Object>.UpdateHäufigkeit Die Häufigkeit, mit der das Modell für die Lösungsdefinition neu erstellt werden muss.
    Mögliche Werte:
    • Do_Not_Update
    • Every_1_day
    • Every_1_Hour
    • Every_6_hours
    • Every_12_hours
    • Jede_1_Minute
    • Alle_15_Minuten
    • Alle_30_Minuten
    Standard: Do_Not_Update

    Datentyp: Zeichenfolge

    Das folgende Beispiel ruft Eigenschaften von ab Ein Lösungsobjekt Im Store. 

    var myCluster = new sn_ml.ClusteringSolutionStore.get("ml_x_snc_global_global_clustering_solution");

gs.print(JSON.stringify(JSON.parse(myCluster.getProperties()), null, 2));
    Ausgabe:
    *** Script: {
  "algorithmConfig": {
    "algorithm": "kmeans",
    "targetCoverage": "90"
  },
  "datasetProperties": {
    "tableName": "incident",
    "fieldNames": [
      "category",
      "short_description",
      "state",
      "description"
    ],
    "encodedQuery": "activeANYTHING"
  },
  "domainName": "global",
  "encoderProperties": {
    "datasetsProperties": [
      {
        "tableName": "incident",
        "fieldNames": [
          "assignment_group",
          "short_description",
          "description"
        ],
        "encodedQuery": "activeANYTHING"
      }
    ],
    "domainName": "global",
    "label": "my encoder definition",
    "name": "ml_x_snc_global_global_my_encoder_definition",
    "processingLanguage": "en",
    "scope": "global",
    "stopwords": [
      "Default English Stopwords"
    ],
    "trainingFrequency": "run_once"
  },
  "groupByFieldName": "category",
  "inputFieldNames": [
    "short_description"
  ],
  "label": "clustering solution",
  "minRecordsPerCluster": 2,
  "name": "ml_x_snc_global_global_clustering_solution",
  "processingLanguage": "en",
  "scope": "global",
  "stopwords": [
    "Default English Stopwords"
  ],
  "trainingFrequency": "run_once",
  "updateFrequency": "do_not_update"
}}

    ClusteringSolution – getVersion(Zeichenfolgenversion)

    Ruft eine Lösung ab Nach angegebener Versionsnummer.

    Tabelle : 14. Parameter
    Name Typ Beschreibung
    Version Zeichenfolge Vorhandene Versionsnummer von Eine Lösung.
    Tabelle : 15. Ergebnisse
    Typ Beschreibung
    Objekt Angegebene Version von ClusteringSolution() Objekt, mit dem Sie anrufen können ClusteringSolutionVersion API-Methoden.

    Das folgende Beispiel zeigt, wie der Schulungsstatus von abgerufen wird Eine Lösung nach Versionsnummer.

    var mlSolution = sn_ml.ClusteringSolutionStore.get('ml_x_snc_global_global_clustering');

gs.print(JSON.stringify(JSON.parse(mlSolution.getVersion('1').getStatus()), null, 2));

    Ausgabe:

    {
  "state": "solution_complete",
  "percentComplete": "100",
  "hasJobEnded": "true"
}

    ClusteringSolution – setActiveVersion(Zeichenfolgenversion)

    Aktiviert eine angegebene Version einer Lösung im Store.

    Tabelle : 16. Parameter
    Name Typ Beschreibung
    Version Zeichenfolge Name des ClusteringSolution() Zu aktivierende Objektversion.

    Durch Aktivieren dieser Version wird jede andere Version deaktiviert.
    Tabelle : 17. Rückgaben
    Typ Beschreibung
    Keine

    Das folgende Beispiel zeigt, wie Sie aktivieren Eine Lösung Version im Store. 

    sn_ml.ClusteringSolution.setActiveVersion("ml_incident_categorization");

    ClusteringSolution – submitTrainingJob()

    Übermittelt einen Schulungsauftrag.

    Hinweis:
    Bevor Sie diese Methode ausführen, müssen Sie dem Store zuerst mithilfe von eine Lösung hinzufügen ClusteringSolutionStore – add() Methode.
    Tabelle : 18. Parameter
    Name Typ Beschreibung
    Keine
    Tabelle : 19. Ergebnisse
    Typ Beschreibung
    Objekt ClusteringSolutionVersion Objekt, das dem entspricht ClusteringSolution Wird trainiert.

    Das folgende Beispiel zeigt, wie Sie einen Datensatz erstellen und auf anwenden Eine Lösung, fügen Sie die Lösung hinzu An einen Store und übermitteln Sie den Schulungsauftrag. 

    // Create a dataset 
var myData = new sn_ml.DatasetDefinition({

  'tableName' : 'incident',
  'fieldNames' : ['assignment_group', 'short_description', 'description'],
  'encodedQuery' : 'activeANYTHING'

});

// get a trained encoder from the store
var myEncoder = sn_ml.EncoderStore.get('ml_x_snc_global_global_encoder');

// Create a solution 
var mySolution = new sn_ml.ClusteringSolution({

  'label': "my solution definition",
  'dataset' : myData,
  'encoder' : myEncoder,
  'predictedFieldName' : 'assignment_group',
  'inputFieldNames':['short_description']

});

// Add the solution to the store to later be able to retrieve it.
var my_unique_name = sn_ml.ClusteringSolutionStore.add(mySolution);

// Train the solution - this is a long running job 
var myClusterVersion = mySolution.submitTrainingJob();