抽象的
根據新數據找到正確的模型來預測新結果是一項重要的成就。但很多時候，這只是旅程中的一步，其最終目標是與更廣泛的受眾分享模型的預測能力。 JMP Pro 有許多工具可以方便地擬合、比較和選擇預測模型。 JMP Pro 13 新增了公式庫：一種收集模型、將其應用於新表格以及存取模型比較和分析器平台的有效方法。為了幫助將模型部署到生產中，Formula Depot 還可以將它們轉換為多種不同程式語言的評分代碼。在本教程中，我們使用房地產案例研究來說明預測建模工作流程。我們將編譯數據，準備建模數據，產生預測模型，將模型發佈到 Formula Depot，並探索和選擇最佳模型。然後，我們將產生評分代碼來支援建立可以「現場」計算房價的 Web 應用程式。我們還將探索評分資料的不同方法，並概述目前的部署架構。
教學內容
本教學的最終成果是一個託管在 AWS 上的具有預測功能的 Web 應用程式。您可以在這裡找到它。接下來是與本教程相關的內容的解釋，可在本頁的附件中找到。
客戶端層（請參閱附件 RedFinWeb.zip）使用引導作為使用者介面，使用開放圖層實現映射功能。它作為託管在AWS S3上的靜態網站實作；介面採用客製化的HTML表單收集使用者資料輸入；這些用作模型評估的輸入值，由對計算層的休息呼叫觸發。
運算層（請參閱附件 RedFinServerless.zip）使用兩種 Amazon 服務： API 閘道是 REST 呼叫的入口點，對應到 AWS 拉姆達服務。 Lambda 是亞馬遜對無伺服器架構範式的實現，也稱為函數即服務 (FaaS)。無伺服器可以為無狀態、低延遲、高吞吐量的應用程式提供大規模效能和低管理成本，使其非常適合對定義上高度並行的應用程式進行評分。
Lambda 服務是 JMP 產生的 Python 評分程式碼的最終部署目的地。可以使用其管理主控台手動將應用程式部署到 AWS 服務，但為了簡化流程，我們建議使用眾多可用的開源包裝器之一。在本次練習中，我們使用了無伺服器應用程式框架。
請注意 Python 程式碼如何捕捉特徵工程任務（聚類、分箱、歸納）以及在它們之上建立的模型。這使得用於創建模型的相同原始資料來源也可用於對生產中的新資料進行評分 - 這是建立可維護的分析管道時的一個重要考慮因素。
附件中您還將找到一個用於在部署前測試模型的Jupyter 筆記本 (RedFinNotebook.zip)； JMP 為住房場景產生的 Python 模型集合（RedFinModels.zip）；以及包含資料清理和生成模型的腳本的原始 JMP 表。 （RedFinData.zip）。最後一個 .zip 檔案還包含一個電子表格，說明如何直接呼叫 REST 後端進行其他應用程式的評分，在本例中是透過 Excel 公式。
參考
