Обучение модели предсказания
Prediction model training
Last updated
Was this helpful?
Prediction model training
Last updated
Was this helpful?
Элемент производит обучение модели предсказания данных. Модель обучается на основе входных данных (файл CSV), который указывается в свойствах элемента.
В результате выполнения элемента вы получите модель — файл, который обучен распознаванию определенных типов закономерностей.
Символ * в названии свойства указывает на обязательность заполнения. Описание общих свойств см. в разделе Свойства элемента.
Имя файла* [String] — путь к файлу CSV, содержащему данные для обучения. Пример: System.IO.Path.Combine(_Workflow.ProjectPath, "Data\\file_name.csv").
Номер основной колонки* [Int32] — номер колонки, содержащей предсказываемое значение. Значение по умолчанию: 0.
Номер колонок данных* [String] — номера колонок, содержащих данные. Значение по умолчанию: "1-4".
Разделитель* [String] — разделитель колонок CSV. Значение по умолчанию: ";".
Путь к модели* [String] — путь сохранения файла модели. Пример: System.IO.Path.Combine(_Workflow.ProjectPath, "Models\\model.ml").
Тип алгоритма* — тип алгоритма обучения модели. Чтобы выбрать нужный тип, кликните по списку значений параметра. Доступные значения:
Poisson_Regression — значение по умолчанию. «Регрессия Пуассона» является статистическим методом, который используется для моделирования зависимости между независимыми переменными и целевой переменной, представляющей собой счетные данные. Часто применяется в случаях, когда целевая переменная представляет собой количество событий или частоту событий, такие как число заявок на сайте, количество аварий на дороге и т. д.
Online_Gradient_Descent — представляет собой метод оптимизации, который используется для обновления параметров модели по мере получения новых данных. Метод основан на итеративном обновлении весов модели с учетом градиента функции потерь по каждому примеру из обучающего набора данных.
Fast_Tree — метод обучения, который используется для построения ансамблей деревьев решений. Эффективный и быстрый алгоритм, который может быть использован для задач классификации и регрессии. Обычно используется в задачах с большими объемами данных или когда требуется быстрое обучение модели.
Fast_Forest — вариант алгоритма случайного леса, который используется для построения ансамблей деревьев решений. Метод включает в себя оптимизации и улучшения, которые позволяют ему работать быстрее и эффективнее, чем классический случайный лес.
Результат [Aura.MachineLearning.Model.PredictionTrainingResult] — результат обучения модели.
Чтобы применить обученную модель для предсказания данных, воспользуйтесь элементом Предсказание.
На странице Learning доступен RPA-проект, демонстрирующий работу элемента.
Скачайте архив со всеми обучающими материалами по ссылке: Скачать архив Learning.
Распакуйте архив, запустите Primo Studio и откройте проект MachineLearning.
Выберите процесс Prediction.ltw для просмотра.
