分享終極福利：從建模到評分的旅程抽象的
找到正確的模型來預測新數據的新結果是一項重要的成就。 但很多時候，這是旅程中的一步，最終目標是與更多受眾分享模型的預測能力。 JMP Pro 擁有許多工具來促進預測模型的擬合、比較和選擇。 JMP Pro 13 添加了 Formula Depot：一種收集模型、將其應用到新表以及訪問模型比較和刻畫器平台的有效方法。 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編程語言的評分代碼。 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、生成預測模型、將模型發佈到 Formula Depot，並探索和選擇最佳模型。 然後，我們將生成評分代碼來支持創建可以“當場”計算房價的 Web 應用程序。我們還將探索對數據進行評分的不同方法，並概述當前的部署架構。
教程內容
本教程的最終結果是在 AWS 上託管的具有住房預測功能的 Web 應用程序。 你可以找到它這裡。 以下是與本教程相關內容的解釋，可以在本頁的附件中找到。
客戶端層（參見附件 RedFinWeb.zip）使用引導程序對於用戶界面和開放層用於映射功能。它是作為託管在的靜態網站實現的AWS S3 ;該界面使用定制的 HTML 表單收集用戶數據輸入；這些被用作模型評估中的輸入值，這是由休息調用計算層。
計算層（參見附件 RedFinServerless.zip）使用兩個 Amazon 服務： API網關是 REST 調用的入口點，映射到 AWS拉姆達服務。 Lambda 是 Amazon 的實現無服務器架構範例，也稱為功能即服務 (FaaS)。 無服務器以低管理成本為無狀態、低延遲、高吞吐量應用程序提供大規模性能，使其非常適合對應用程序進行評分，根據定義，這些應用程序是：尷尬地平行。
Lambda 服務是 JMP 生成的 Python 評分代碼的最終部署目標。 可以使用 AWS 服務手動完成應用程序部署管理控制台，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。 在本練習中，我們使用了無服務器應用框架。
請注意 Python 代碼如何捕獲特徵工程任務（聚類、分箱、插補）以及在它們之上構建的模型。 這使得用於創建模型的相同原始數據源也可用於對生產中的新數據進行評分——這是構建可維護的分析管道時的一個重要考慮因素。
附件中您還會發現Jupyter筆記本(RedFinNotebook.zip) 用於在部署前測試模型； JMP 為住房場景生成的 Python 模型集合 (RedFinModels.zip)；以及原始 JMP 表，其中包含數據清理和生成模型的腳本。 （RedFinData.zip）。 最後一個 .zip 文件還包括一個電子表格，該電子表格說明瞭如何直接調用 REST 後端以由其他應用程序（在本例中是從 Excel 公式）進行評分。
參考
數據訪問和操作預測建模回复：分享終極恩惠：從建模到評分的旅程這個想法是，網頁是用戶界面，您可以通過它獲取需要評分的數據 - 例如，用戶鍵入一些值的對話。 提交值後，事件處理程序就會收集並調用 JMP 生成的 JavaScript 模型代碼。 結果將顯示回給用戶。 主要好處是無需回擊服務器，因此具有盡可能高的可擴展性。 缺點是您一次只能對一到幾個觀察結果進行評分 - 但根據用例，這不是問題。
舉個具體的例子，看看這個：
http://jmp.valentine.s3-website-us-east-1.amazonaws.com/
這裡，網頁生成的不是用戶輸入，而是需要被分類為曲線內部或外部的隨機點。 分類是通過 JMP 神經網絡模型完成的。 可視化是使用 D3.js 完成的。
另一個示例展示瞭如何使用 Web 應用程序從用戶收集數據、對輸入進行評分並返回結果，可在附加到的 Scoring_examples.zip 文件中找到。 2016年演講。
文件夾“WebApp”作為一個完整的 Web 應用程序闡釋了這一概念。 它被設計供現場研究植物學家使用，試圖根據測量結果對新的鳶尾花標本進行分類（我知道，我知道，多麼原始...... 
回复：分享終極恩惠：從建模到評分的旅程你好，
我感謝您的幫助。您上次建議在 HTML 後面的瀏覽器中運行...
您能給我更多具體信息或鏈接到可以幫助我實現切實目標的內容嗎？
謝謝，
吉姆
回复：分享終極恩惠：從建模到評分的旅程你好@jgrayson ,
它位於您的安裝目錄中的 Resources/Scoring 下。 例如在我的 Windows 機器中，它位於
C:\Program Files\SAS\JMPPRO\16\Resources\Scoring\JavaScript
回复：分享終極恩惠：從建模到評分的旅程你好，
你能告訴我在哪裡可以找到 javascript 的“jmp_score”嗎？
謝謝，
吉姆·格雷森
