抽象的
根据新数据找到合适的模型来预测新结果是一项重要的成就。但很多时候，这只是旅程中的一步，最终目标是与更广泛的受众分享模型的预测能力。JMP Pro 有许多工具来促进预测模型的拟合、比较和选择。JMP Pro 13 增加了公式库：一种收集模型、将其应用于新表以及访问模型比较和剖析器平台的有效方法。为了帮助将模型部署到生产中，公式库还可以将它们转换为多种不同编程语言的评分代码。在本教程中，我们使用房地产案例研究来说明预测建模工作流程。我们将编译数据、准备数据进行建模、生成预测模型、将模型发布到公式库，并探索和选择最佳模型。然后，我们将生成评分代码以支持创建可以“当场”计算房价的 Web 应用程序。我们还将探索不同的数据评分方法，并概述当前的部署架构。
教程内容
本教程的最终成果是一个托管在 AWS 上的具有预测功能的 Web 应用程序。您可以在此处找到它。以下是与本教程相关的内容的说明，可在本页的附件中找到。
客户端层（参见附件 RedFinWeb.zip）使用引导作为用户界面，使用开放图层实现映射功能。它作为托管在AWS S3上的静态网站实现；界面使用自定义 HTML 表单收集用户数据输入；这些数据用作模型评估的输入值，由对计算层的休息调用触发。
计算层（见附件 RedFinServerless.zip）使用两项 Amazon 服务： API 网关是 REST 调用的入口点，这些调用映射到 AWS 拉姆达服务。Lambda 是 Amazon 对无服务器架构范式的实现，也称为函数即服务 (FaaS)。无服务器以低管理成本为无状态、低延迟、高吞吐量应用程序提供大规模性能，使其非常适合对按定义而言高度并行的应用程序进行评分。
Lambda 服务是 JMP 生成的 Python 评分代码的最终部署目标。可以使用其管理控制台手动将应用程序部署到 AWS 服务，但为了简化流程，我们建议使用众多可用的开源包装器之一。在本练习中，我们使用了无服务器应用程序框架。
请注意 Python 代码如何捕获特征工程任务（聚类、分箱、归纳）以及在此基础上构建的模型。这样，用于创建模型的原始数据源也可用于对生产中的新数据进行评分 - 这是构建可维护分析管道时的一个重要考虑因素。
附件中您还将找到用于在部署前测试模型的Jupyter 笔记本 (RedFinNotebook.zip)；JMP 为住房场景生成的 Python 模型集合 (RedFinModels.zip)；以及包含数据清理和用于生成模型的脚本的原始 JMP 表。 (RedFinData.zip)。最后一个 .zip 文件还包括一个电子表格，该电子表格说明了如何直接调用 REST 后端以供其他应用程序评分，在本例中是通过 Excel 公式。
参考
