Traduzido do 日本語 • Ver original Olá, aqui é a Mayuko da Divisão de Soluções de TI.
Na semana passada, aproveitei minhas férias de verão para ir a Okinawa com meus amigos!
Afinal, o mar em Okinawa era lindo! ! Ele realmente me cura ( ́-ω-') (Só havia casais por perto...)
GO☆ "Mayu-chan, bem-vinda de volta, Rinko! Mayuko: "Claro! (^^)/
ＧＯ☆「フーテンの？」 まゆこ「寅さんじゃないです」（似てますけど(｀3´)） まゆこ「ブログはちゃんと沖縄でチェックしてましたよ！ [eos]それにググって新しい例題見つけたんです！」
↓ Há vários exemplos escritos aqui. https://cloud.google.com/prediction/docs/developer-guide
Da última vez, GO☆ previu altura com base no peso, mas o título de exemplo "Estruturando os Dados de Treinamento" nesta página também prevê altura.
No entanto, existem vários tipos de dados (colunas) para analisar. Pensando bem, havia apenas um tipo de dado (coluna) para analisar, fosse idioma ou altura. Apenas "frases" eram usadas para adivinhar a língua, e apenas "peso" era usado para chutes de altura.
No entanto, essa estimativa de altura analisa quatro tipos de dados (atributos), como "gênero", "altura do pai", "altura da mãe" e "nacionalidade".
Entendi, a altura varia entre homens e mulheres, é genético e também depende da nacionalidade. Em outras palavras, existe uma correlação. Isso é fácil de prever!
O formato do arquivo a ser inserido é o seguinte: [Altura (Resposta)],[Gênero],[Altura do Pai],[Altura da Mãe],[Nacionalidade]
Criei 20.000 itens usando Excel. Defini a faixa de altura por nacionalidade e gênero, e usei uma função aleatória para criar uma pequena variação. Em outras palavras, os quatro atributos [altura (resposta)] e [gênero]\[altura do pai][altura da mãe][nacionalidade] estão correlacionados.
Agora, vamos fazer uma previsão. Desta vez também é um modelo de regressão, então os resultados da análise são aproximadamente os mesmos da última vez. Agora, vamos fazer uma previsão.
Até a última vez, eu só digitava um atributo, mas o que fazer se adicionar quatro atributos? ↓ Há um exemplo no final desta página. Se você procurar por "Execute uma previsão contra seu modelo", você vai encontrá-lo. https://cloud.google.com/prediction/docs/reference/v1.4/reference
{
"entrada":{
"csvInstance":["M", 1.59, 1.51, "França"]
}
}
Entendi, parece que você pode organizá-los separados por vírgulas. Vamos rodar "prediction.trainedmodels.predict". Os dados que criei estavam em notação CM, então vou inseri-los da seguinte forma.
{
"entrada":
{
"csvInstance":
[
"M,175,165,FRANÇA"
]
}
}
"outputValue": "73.839505"
Hmm!? 73cm?? A resposta é estranha. Seguindo o conselho do GO☆, tentei colocar na vertical desta vez.
{
"entrada":
{
"csvInstance":
[
"M"
"175"
"165"
"França"
]
}
}
Então,
"outputValue": "175,622356"
175cm! Se for esse o caso, parece que funcionou. Mayuko "No fim, qual é a resposta certa, horizontal ou vertical...?" GO☆ "Hmm, vamos verificar a partir de agora!" Mayuko "Ei!"
Fim ♡
*Este artigo é produzido sob a supervisão da "ISAO IT Solution Division Co., Ltd.".