추상적인
새로운 데이터가 주어졌을 때 새로운 결과를 예측하는 데 적합한 모델을 찾는 것은 중요한 업적입니다. 하지만 많은 경우 모델의 예측 능력을 훨씬 더 많은 대상과 공유하는 것이 최종 목표인 여정의 한 단계입니다. JMP Pro에는 예측 모델의 적합성, 비교 및 선택을 용이하게 하는 많은 도구가 있습니다. JMP Pro 13에는 모델을 수집하고, 새 테이블에 적용하고, Model Comparison 및 Profiler 플랫폼에 액세스하는 효율적인 방법인 Formula Depot이 추가되었습니다. 모델을 프로덕션에 배포하는 데 도움이 되도록 Formula Depot은 모델을 다양한 프로그래밍 언어로 스코어링 코드로 변환할 수도 있습니다. 이 튜토리얼에서는 부동산 사례 연구를 사용하여 예측 모델링 워크플로를 설명합니다. 데이터를 컴파일하고, 모델링을 위해 데이터를 준비하고, 예측 모델을 생성하고, Formula Depot에 모델을 게시하고, 최상의 모델을 탐색하여 선택합니다. 그런 다음 "즉시" 주택 가격을 계산할 수 있는 웹 애플리케이션을 만드는 데 필요한 스코어링 코드를 생성합니다. 또한 데이터 스코어링을 위한 다양한 방법을 살펴보고 현재 배포 아키텍처에 대한 개요를 제공합니다.
튜토리얼 내용
튜토리얼의 최종 결과는 AWS에 호스팅된 예측 기능을 갖춘 웹 애플리케이션입니다. 여기에서 찾을 수 있습니다. 다음은 이 페이지의 첨부 파일에서 찾을 수 있는 튜토리얼과 관련된 콘텐츠에 대한 설명입니다.
클라이언트 계층(첨부 파일 RedFinWeb.zip 참조)은 사용자 인터페이스에 Bootstrap을 사용하고 매핑 기능에는 OpenLayers를 사용합니다. AWS S3 에 호스팅된 정적 웹사이트로 구현되며, 인터페이스는 사용자 지정 HTML 양식을 사용하여 사용자 데이터 입력을 수집합니다. 이는 모델 평가에서 입력 값으로 사용되며, 이는 컴퓨팅 계층에 대한 나머지 호출에 의해 트리거됩니다.
컴퓨팅 계층(첨부 파일 RedFinServerless.zip 참조)은 두 가지 Amazon 서비스를 사용합니다. API 게이트웨이 는 AWS 람다 서비스에 매핑되는 REST 호출의 진입점입니다. Lambda는 Amazon의 서버리스 아키텍처 패러다임 구현으로, Function-as-a-Service(FaaS)라고도 합니다. Serverless는 상태 비저장, 저지연, 고처리량 애플리케이션에 낮은 관리 비용으로 대규모 성능을 제공하므로 정의상 당혹스러울 정도로 병렬 인 애플리케이션에 점수를 매기는 데 매우 적합합니다.
Lambda 서비스는 JMP에서 생성된 Python 스코어링 코드의 최종 배포 대상이었습니다. AWS 서비스에 대한 애플리케이션 배포는 관리 콘솔을 사용하여 수동으로 수행할 수 있지만 프로세스를 간소화하기 위해 사용 가능한 많은 오픈 소스 래퍼 중 하나를 사용하는 것이 좋습니다. 이 연습에서는 Serverless 애플리케이션 프레임워크를 사용했습니다.
Python 코드가 피처 엔지니어링 작업(클러스터링, 비닝, 임퓨테이션)과 이를 기반으로 구축된 모델을 모두 캡처하는 방식에 주목하세요. 이를 통해 모델을 만드는 데 사용된 동일한 원시 데이터 소스를 프로덕션에서 새 데이터의 점수를 매기는 데 사용할 수 있습니다. 이는 유지 관리 가능한 분석 파이프라인을 구축할 때 중요한 고려 사항입니다.
또한 배포 전에 모델을 테스트하는 데 사용된 주피터 노트북 (RedFinNotebook.zip), 주택 시나리오를 위해 JMP에서 생성한 Python 모델 모음(RedFinModels.zip), 데이터 정리 및 모델을 생성하기 위한 스크립트가 포함된 원래 JMP 테이블(RedFinData.zip)도 첨부되어 있습니다. 이 마지막 .zip 파일에는 다른 애플리케이션에서 점수를 매기기 위해 REST 백엔드를 직접 호출하는 방법을 보여주는 스프레드시트도 포함되어 있습니다. 이 경우 Excel 수식에서 호출합니다.
참고문헌
