抽象的な
新しいデータに基づいて新しい結果を予測する適切なモデルを見つけることは、重要な成果です。しかし、多くの場合、それは最終目標がモデルの予測力をはるかに多くのユーザーと共有することである旅のステップです。JMP Pro には、予測モデルのフィッティング、比較、選択を容易にする多くのツールがあります。JMP Pro 13 では、モデルを収集し、新しいテーブルに適用し、モデル比較およびプロファイラー プラットフォームにアクセスする効率的な方法である Formula Depot が追加されました。モデルを本番環境に展開できるように、Formula Depot では、さまざまなプログラミング言語でモデルをスコアリング コードに変換することもできます。このチュートリアルでは、不動産のケース スタディを使用して、予測モデリングのワークフローを説明します。データのコンパイル、モデリング用のデータの準備、予測モデルの生成、Formula Depot へのモデルの公開、最適なモデルの探索と選択を行います。次に、スコアリング コードを作成して、住宅価格を「その場で」計算できる Web アプリケーションの作成をサポートします。また、データのスコアリングのさまざまな方法を検討し、現在の展開アーキテクチャの概要を示します。
チュートリアルコンテンツ
チュートリアルの最終成果物は、AWS でホストされる住宅予測機能を備えた Web アプリケーションです。 こちらから入手できます。以下は、このページの添付ファイルにあるチュートリアルに関連するコンテンツの説明です。
クライアント層 (添付ファイル RedFinWeb.zip を参照) では、ユーザー インターフェイスにブートストラップを使用し、マッピング機能にOpenLayers を使用します。これは、 AWS のでホストされる静的 Web サイトとして実装されます。インターフェイスは、カスタマイズされた HTML フォームを使用してユーザー データ入力を収集します。これらは、コンピューティング層への休む呼び出しによってトリガーされるモデル評価の入力値として使用されます。
コンピューティング レイヤー (添付ファイル RedFinServerless.zip を参照) は、2 つの Amazon サービスを使用します。API Gateway は、 AWS ラムダサービスにマップされる REST 呼び出しのエントリ ポイントです。Lambda は、Amazon のサーバーレス アーキテクチャパラダイムの実装であり、Function-as-a-Service (FaaS) とも呼ばれます。サーバーレスは、ステートレス、低レイテンシ、高スループットのアプリケーションに、低い管理コストで大規模なパフォーマンスを提供するため、定義上、 非常に並列なアプリケーションのスコアリングに最適です。
Lambda サービスは、JMP によって生成された Python スコアリング コードの最終的なデプロイメント先でした。AWS サービスへのアプリケーションのデプロイメントは、管理コンソールを使用して手動で行うことができますが、プロセスを効率化するには、利用可能な多数のオープン ソース ラッパーのいずれかを使用することをお勧めします。この演習では、サーバーレス アプリケーション フレームワークを使用しました。
Python コードが、特徴エンジニアリング タスク (クラスタリング、ビニング、代入) と、それらの上に構築されたモデルの両方をキャプチャする方法に注目してください。これにより、モデルの作成に使用された同じ生データ ソースを、運用環境で新しいデータをスコアリングするためにも使用できるようになります。これは、保守可能な分析パイプラインを構築する際の重要な考慮事項です。
添付ファイルには、展開前にモデルをテストするために使用されるジュピターノートブック (RedFinNotebook.zip)、住宅シナリオ用に JMP によって生成された Python モデルのコレクション (RedFinModels.zip)、およびデータ クリーンアップとモデルを生成するスクリプトを含む元の JMP テーブル (RedFinData.zip) も含まれています。この最後の .zip ファイルには、他のアプリケーション (この場合は Excel の数式) からスコアリングのために REST バックエンドを直接呼び出す方法を示すスプレッドシートも含まれています。
参考文献
