ClusteringSolution - Global

  • Versão de lançamento: Yokohama
  • Atualizado 30 de jan. de 2025
  • 13 min. de leitura

    • . ClusteringSolution A API é um objeto programável usado em Inteligência preditivalojas.

    Este A API requer Inteligência preditivaplug-in (com.glide.platform_ml) e é fornecido no sn_ml namespace.

    A configuração da solução para o fluxo de treinamento é a seguinte:
    1. Crie um conjunto de dados usando DatasetDefinition API.
    2. Obrigatório se estiver usando o algoritmo de clustering K-Means. Crie um codificador usando Codificador API.
    3. Use o. construtor para criar um objeto de solução de clustering.
    4. Adicione o objeto de solução ao armazenamento de soluções de clustering usando ClusteringSolutionStore - add() método.
    5. Treine a solução usando TrainingJob() método. Isso cria uma versão do objeto que você pode gerenciar usando o. ClusteringSolutionVersion API.
    6. Obtenha previsões usando ClusteringSolutionVersion – Predict() método.
    Nota:
    Esta API é executada com privilégios totais antes de Washington DCVersão do patch 7. Após essa versão, conceda acesso usando ACLs. Para obter mais informações, consulte Query ACLs.

    Para obter diretrizes de uso, consulte Usando APIs DE ML .

    ClusteringSolution - ClusteringSolution (configuração de objeto)

    Cria uma solução de cluster.

    Tabela 1. Parâmetros
    Nome Tipo Descrição
    config Objeto Objeto JavaScript que contém as propriedades de configuração do solução.
    {
  "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.algorithmConfig Objeto Necessário, a menos que defina o. encoderpropriedade. Objeto JavaScript que contém propriedades de configuração do algoritmo.As configurações de propriedade variam de acordo com o valor definido no algorithmpropriedade.
    'algorithmConfig': {
  "algorithm": "String",  
  // See algorithmConfig.algorithm setting description for property settings based on algorithm
}
    AlgorithmConfig.algorithmConfig.algorithm Cadeia de caracteres Método para codificar sua solução.
    Valores válidos:
    • dbscan – Cluster espacial baseado em densidade de aplicações com ruído (DBSCAN) algoritmo de clustering. Propriedades usadas com este algoritmo:
      • distanceMetric
      • epsilon
      • minimumNeighbours
    • hdbscan – Densidade hierárquica baseada em Clustering espacial de aplicações com ruído (HDBSCAN) algoritmo de clustering. Propriedades usadas com este algoritmo:
      • minimumSamples
    • kmeans Algoritmo de clustering K-means. Padrão. . targetCoveragea propriedade é usada com este algoritmo.

    Alguns usuários preferem O DBSCAN porque ele não requer que você especifique o número de clusters nos dados antes de fazer o cluster.

    Propriedades para dbscan:
    'algorithmConfig': {
  "algorithm": "dbscan",
  "distanceMetric": "String",
  "epsilon": Number,
  "minimumNeighbours": Number
}
    Propriedades para hdbscan:
    'algorithmConfig': {
  "algorithm": "hdbscan",
  "minimumSamples": Number
}
    Propriedades para kmeans:
    'algorithmConfig': {
  "algorithm": "kmeans",
  "targetCoverage": Number
}
    Config.algorithmConfig.distanceMetric Cadeia de caracteres Algoritmo DBSCAN somente. Métrica de distância para verificar objetos de dados semelhantes.

    Valores válidos: levenshteinDistance
    Config.algorithmConfig.epsilon Número Algoritmo DBSCAN somente. Valor decimal entre 0 e 1 que representa o tamanho do raio de pesquisa de bairro.
    Config.algorithmConfig.minimumNeighbors Número Algoritmo DBSCAN somente. Número mínimo de vizinhos necessários em um ponto para fazer parte de um cluster. Para levenshteinDistanceo valor deve ser 1 para que nenhum ponto seja excluído do conjunto de dados.
    Config.algorithmConfig.minimumSamples Número Número mínimo de amostras de dados em um bairro necessário para determinar se um ponto é um ponto central.

    Padrão: Nenhum
    Config.algorithmConfig.targetCoverage Número Algoritmo K-means somente. Campo de percentil para filtrar registros menos semelhantes entre si.
    Config.clusterConcept Cadeia de caracteres Opcional. Tipo de conceito. Um conceito é um conjunto de palavras listadas em ordem decrescente de frequência. Para gerar um conceito de cluster baseado em TFIDF, defina o valor como tfidf . Os tipos de conceito são listados na tabela Definições de cluster [ml_capability_definition_clustering].

    Padrão: Conceito de cluster baseado em frequência
    Nomes de campo Config.clusterConceptFieldNames Matriz Opcional. Lista de nomes de campos de conceito de cluster. Esses valores são colunas externas para criar um conceito de cluster e não são usados para treinamento da solução de cluster. Se colunas externas forem fornecidas, essas colunas serão usadas somente para o conceito de cluster e não para o treinamento da solução de cluster. Os campos de conceito de cluster são listados na tabela Definições de cluster [ml_capability_definition_clustering].

    Padrão: As colunas de texto de entrada geram o conceito de cluster
    config.dataset Objeto DatasetDefinition nome do objeto.
    Nome.domainName Cadeia de caracteres Opcional. Nome de domínio associado a este conjunto de dados. Consulte Separação de domínio e. Inteligência preditiva.

    Padrão: Domínio atual, por exemplo, "global" .
    config.encoder Objeto Necessário, a menos que defina o. algorithmConfigpropriedade para "LevenshteinDistance" . Objeto do codificador treinado para atribuir a esta solução. Consulte Codificador - Codificador (configuração de objeto).
    config.groupByFieldName Cadeia de caracteres Opcional. Nome do campo pelo qual o sistema agrupa registros em um ou mais clusters.
    No exemplo de configuração a seguir, o sistema agrupa cada tipo em um cluster individual, renderizando 10 clusters.
    • groupByFieldNameo valor é "categoria"
    • DatasetDefinition tableNameo valor é "incidente"
    • A tabela de incidente [incidente] tem 10 tipos de categoria
    config.groupUnclusteredRecords Booliano

    Sinalizador que indica se os registros não clusterizados devem ser agrupados nos resultados.

    Valores válidos:
    • Verdadeiro: Agrupe registros não agrupados separadamente nos resultados.
    • Falso: Não agrupe registros não clusterizados nos resultados. Valores não agrupados (-1) são exibidos com o restante dos resultados.

    Padrão: falso
    config.inputFieldNames Matriz Lista de nomes de campos de entrada como cadeias de caracteres. O modelo usa esses campos usados para fazer previsões.
    rótulo.config Cadeia de caracteres Identifica a tarefa de previsão.
    Config.maxTimeWindowForUpdate Número Opcional. Número de minutos antes do ponto de atualização do modelo para procurar registros. Por exemplo, se o valor for 15, o sistema procurará somente registros criados nos 15 minutos anteriores. Por padrão, o sistema verifica todos os registros.
    MinRecordsPerCluster Número Opcional. Número mínimo de registros a serem permitidos em qualquer cluster. O valor deve ser maior ou igual a 2.

    Padrão: 2
    MinRowCount Cadeia de caracteres Opcional. Número mínimo de registros necessários no conjunto de dados para treinamento.

    Padrão: 10000
    config.processingLanguage Cadeia de caracteres Linguagem de processamento no formato de código de idioma ISO 639-1 de duas letras.
    config.stopwords Matriz Opcional. Lista predefinida de cadeias de caracteres que o sistema gera automaticamente com base em languageconfiguração de propriedade. Para obter detalhes, consulte Crie uma lista de palavras de interrupção personalizada .

    Padrão: Palavras irrelevantes em inglês
    Frequência de treinamento.Config Cadeia de caracteres A frequência para retreinar o modelo.
    Valores possíveis:
    • every_30_days
    • every_60_days
    • every_90_days
    • every_120_days
    • every_180_days
    • run_once
    Padrão: Run_once
    Frequência.updateConfig A frequência na qual o modelo da definição da solução deve ser reconstruído.
    Valores possíveis:
    • _not_update
    • every_1_day
    • every_1_hour
    • every_6_hours
    • every_12_hours
    • every_1_minute
    • every_15_minutes
    • every_30_minutes
    Padrão: Do_not_update

    O exemplo a seguir mostra como criar um objeto e adicioná-lo ao Armazenamento de soluções em cluster. O exemplo também mostra como enviar o objeto para treinamento.

    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());
}

    Saída:

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

    O exemplo a seguir mostra como incluir o campo "descrição" como um campo de conceito de cluster.

    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()

    Cancela um trabalho para um objeto de solução que foi enviado para treinamento.

    Tabela 2. Parâmetros
    Nome Tipo Descrição
    Nenhum
    Tabela 3. Retorna
    Tipo Descrição
    Nenhum

    O exemplo a seguir mostra como cancelar um trabalho de treinamento existente.

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

mySolution.cancelTrainingJob();

    ClusteringSolution - getActiveVersion()

    Obtém o ativo Objeto ClusteringSolutionVersion.

    Tabela 4. Parâmetros
    Nome Tipo Descrição
    Nenhum
    Tabela 5. Retorna
    Tipo Descrição
    Objeto Ativo ClusteringSolutionVersion objeto.

    O exemplo a seguir mostra como obter um ativo ClusteringSolution da loja e retornar seu status de treinamento. 

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

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

    Saída:

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

    ClusteringSolution - getAllVersions()

    Obtém todas as versões de uma solução de cluster.

    Tabela 6. Parâmetros
    Nome Tipo Descrição
    Nenhum
    Tabela 7. Retorna
    Tipo Descrição
    Matriz Versões existentes de um objeto de solução. Consulte também ClusteringSolutionVersion API.

    O exemplo a seguir mostra como obter tudo ClusteringSolution objetos de versão e chamar o. GetVersionNumber() e. GetStatus() métodos de versão da solução neles.

    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");
};

    Saída:

    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()

    Obtém a versão mais recente de uma solução.

    Tabela 8. Parâmetros
    Nome Tipo Descrição
    Nenhum
    Tabela 9. Retorna
    Tipo Descrição
    Objeto ClusteringSolutionVersion objeto correspondente à versão mais recente der Solução de Clustering() .

    O exemplo a seguir mostra como obter a versão mais recente de uma solução e retornar seu status de treinamento.

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

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

    Saída:

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

    ClusteringSolution - getName()

    Obtém o nome do objeto a ser usado para interação com o armazenamento.

    Tabela 10. Parâmetros
    Nome Tipo Descrição
    Nenhum
    Tabela 11. Retorna
    Tipo Descrição
    Cadeia de caracteres Nome do objeto de solução.

    O exemplo a seguir mostra como atualizar ClusteringSolution informações do conjunto de dados e imprima o nome do objeto. 

    // 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());

    Saída:

    Solution Name: ml_x_snc_global_global_clustering_solution

    ClusteringSolution - getProperties()

    Obtém propriedades do objeto de solução.

    Tabela 12. Parâmetros
    Nome Tipo Descrição
    Nenhum
    Tabela 13. Retorna
    Tipo Descrição
    Objeto Conteúdo do conjunto de dados e. Solução de Clustering() detalhes do objeto no 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 Objeto JavaScript que contém propriedades de configuração do algoritmo.Os resultados da propriedade variam de acordo com o valor definido no algorithmpropriedade.
    'algorithmConfig' : {
  "algorithm": "String",  
  // See algorithmConfig.algorithm setting description for property settings based on algorithm
}

    Tipo de dados: Objeto.
    <Object>.AlgorithmConfig.algorithm Método para codificar sua solução.
    Propriedades para dbscan:
    'algorithmConfig': {
  "algorithm": "dbscan",
  "distanceMetric": "String",
  "epsilon": Number,
  "minimumNeighbours": Number
}
    Propriedades para kmeans:
    'algorithmConfig': {
  "algorithm": "kmeans",
  "targetCoverage": Number
}

    Tipo de dados: Cadeia de caracteres.
    <Object>.AlgorithmConfig.DistanceMetric Algoritmo DBSCAN somente. Métrica de distância para verificar objetos de dados semelhantes.

    Tipo de dados: Cadeia de caracteres.
    <Object>.AlgorithmConfig.epsilon Algoritmo DBSCAN somente. Valor decimal entre 0 e 1 que representa o tamanho do raio de pesquisa de bairro.

    Tipo de dados: Número.
    <Object>.AlgorithmConfig.minimumNeighbors Algoritmo DBSCAN somente. Número mínimo de vizinhos necessários em um ponto para fazer parte de um cluster. Para levenshteinDistanceo valor deve ser 1 para que nenhum ponto seja excluído do conjunto de dados.

    Tipo de dados: Número.
    <Object>.AlgorithmConfig.targetCoverage Algoritmo K-means somente. Campo de percentil para filtrar registros menos semelhantes entre si.

    Tipo de dados: Número.
    <Object>.DatasetProperties

    Lista as propriedades do DatasetDefinition() objeto associado à solução.

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

    Tipo de dados: Objeto.
    <Object>.DatasetProperties.tablename Nome da tabela do conjunto de dados. Por exemplo, "Tablename" : "Incidente" .

    Tipo de dados: Cadeia de caracteres.
    <Object>.DatasetProperties.fieldnames Lista de nomes de campo da tabela especificada como cadeias de caracteres. Por exemplo, "Fieldnames" : ["short_description", "prioridade"] .

    Tipo de dados: Matriz.
    <Object>.DatasetProperties.fieldnames.fieldDetails Lista de objetos JavaScript que especificam propriedades de campo. 
    [
  {
    "name": "String",
    "type": "String"
  }
]

    Tipo de dados: Matriz.
    <Object>.DatasetProperties.fieldnames.fieldDetails. <object>.name Nome do campo que define o tipo de informação ao qual restringir este conjunto de dados.

    Tipo de dados: Cadeia de caracteres.
    <Object>.DatasetProperties.fieldDetails. <object>.type Tipo de campo de aprendizado de máquina.

    Tipo de dados: Cadeia de caracteres.
    <Object>.DatasetProperties.fieldDetails.encodedQuery Cadeia de caracteres de consulta codificada no formato Glide padrão. Consulte Cadeias de caracteres de consulta codificadas .

    Tipo de dados: Cadeia de caracteres.
    <Object>Nome .domainName Nome de domínio associado a este conjunto de dados. Consulte Separação de domínio e. Inteligência preditiva.

    Tipo de dados: Cadeia de caracteres.
    <Object>.EncoderProperties Objeto do codificador atribuído a esta solução. Consulte Codificador - Codificador (configuração de objeto).

    Tipo de dados: Objeto.
    <Object>.GroupByFieldName Nome do campo pelo qual o sistema agrupa registros em um ou mais clusters.

    Tipo de dados: Cadeia de caracteres
    <Object>.InputFieldNames Lista de nomes de campos de entrada como cadeias de caracteres. O modelo usa esses campos usados para fazer previsões.

    Tipo de dados: Cadeia de caracteres.
    <Object>.rótulo Identifica a tarefa de previsão. 
    {
  "label": "my first prediction"
}

    Tipo de dados: Cadeia de caracteres.
    <Object>.MinRecordsPerCluster Número mínimo de registros a serem permitidos em qualquer cluster.

    Tipo de dados: Número.
    <Object>.name Nome atribuído pelo sistema.

    Tipo de dados: Cadeia de caracteres.
    <Object>.PredictedFieldName Identifica um campo a ser treinado para previsibilidade.

    Tipo de dados: Cadeia de caracteres.
    <Object>.ProcessingLanguage Linguagem de processamento no formato de código de idioma ISO 639-1 de duas letras.

    Tipo de dados: Cadeia de caracteres.
    <Object>.escopo Escopo do objeto. No momento, o único valor válido é global .

    Tipo de dados: Cadeia de caracteres
    <Object>.stopwords Opcional. Lista predefinida de cadeias de caracteres que o sistema gera automaticamente com base em languageconfiguração de propriedade. Para obter detalhes, consulte Crie uma lista de palavras de interrupção personalizada .

    Tipo de dados: Matriz.
    <Object>.TrainingFrequency A frequência para retreinar o modelo.
    Valores possíveis:
    • every_30_days
    • every_60_days
    • every_90_days
    • every_120_days
    • every_180_days
    • run_once
    Padrão: Run_once

    Tipo de dados: Cadeia de caracteres.
    <Object>.UpdateFrequency A frequência na qual o modelo da definição da solução deve ser reconstruído.
    Valores possíveis:
    • _not_update
    • every_1_day
    • every_1_hour
    • every_6_hours
    • every_12_hours
    • every_1_minute
    • every_15_minutes
    • every_30_minutes
    Padrão: Do_not_update

    Datatype: Cadeia de caracteres

    O exemplo a seguir obtém propriedades de um objeto de solução na loja. 

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

gs.print(JSON.stringify(JSON.parse(myCluster.getProperties()), null, 2));
    Saída:
    *** 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 (versão da cadeia de caracteres)

    Obtém uma solução pelo número de versão fornecido.

    Tabela 14. Parâmetros
    Nome Tipo Descrição
    versão Cadeia de caracteres Número da versão existente de uma solução.
    Tabela 15. Retornos
    Tipo Descrição
    Objeto Versão especificada do Solução de Clustering() objeto no qual você pode chamar ClusteringSolutionVersion Métodos de API.

    O exemplo a seguir mostra como obter o status de treinamento de uma solução por número de versão.

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

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

    Saída:

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

    ClusteringSolution - setActiveVersion(versão da cadeia de caracteres)

    Ativa uma versão especificada de uma solução no armazenamento.

    Tabela 16. Parâmetros
    Nome Tipo Descrição
    versão Cadeia de caracteres Nome do Solução de Clustering() versão do objeto a ser ativada.

    A ativação desta versão desativa qualquer outra versão.
    Tabela 17. Retornos
    Tipo Descrição
    Nenhum

    O exemplo a seguir mostra como ativar uma solução versão na loja. 

    sn_ml.ClusteringSolution.setActiveVersion("ml_incident_categorization");

    ClusteringSolution - submitTrainingJob()

    Envia um trabalho de treinamento.

    Nota:
    Antes de executar este método, você deve primeiro adicionar uma solução ao armazenamento usando o. ClusteringSolutionStore - add() método.
    Tabela 18. Parâmetros
    Nome Tipo Descrição
    Nenhum
    Tabela 19. Retorna
    Tipo Descrição
    Objeto ClusteringSolutionVersion objeto correspondente ao ClusteringSolution sendo treinado.

    O exemplo a seguir mostra como criar um conjunto de dados, aplicá-lo a. uma solução, adicione a solução para uma loja e envie o trabalho de treinamento. 

    // 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();