Scorecard Prediction adalah teknik pembelajaran mesin yang menerapkan model scorecard pada data baru untuk memprediksi kinerja atau risiko di masa depan. Model ini biasanya dihasilkan oleh komponen pelatihan scorecard, dan komponen Scorecard Prediction menggunakannya untuk mengevaluasi serta memberi skor pada data masukan guna mendukung pengambilan keputusan dan manajemen risiko.
Konfigurasikan komponen
Metode 1: Gunakan UI
Di Designer, tambahkan komponen Scorecard Prediction ke pipeline Anda dan konfigurasikan parameternya di panel sisi kanan.
|
Tab |
Parameter |
Deskripsi |
|
Field Settings |
Feature Columns |
Pilih kolom fitur mentah yang akan digunakan untuk prediksi. Secara default, semua kolom dipilih. |
|
Reserved Columns |
Pilih kolom yang akan ditambahkan ke tabel hasil prediksi tanpa diproses, seperti kolom ID dan kolom label. |
|
|
Output Variable Score |
Menentukan apakah skor untuk setiap variabel fitur akan dikeluarkan. Skor prediksi akhir merupakan jumlah dari skor untuk intercept term dan semua skor variabel. |
|
|
Tuning |
Number of cores |
Jumlah core CPU yang digunakan. Secara default, sistem menetapkan nilai secara otomatis. |
|
Memory per core |
Memori yang dialokasikan untuk setiap core CPU. Secara default, sistem menetapkan nilai secara otomatis. |
Metode 2: Gunakan perintah PAI
Konfigurasikan parameter komponen Scorecard Prediction menggunakan perintah PAI. Anda dapat menjalankan perintah PAI di komponen SQL Script. Untuk informasi selengkapnya, lihat SQL Script.
pai -name=lm_predict
-project=algo_public
-DinputFeatureTableName=input_data_table
-DinputModelTableName=input_model_table
-DmetaColNames=sample_key,label
-DfeatureColNames=fea1,fea2
-DoutputTableName=output_score_table|
Parameter |
Wajib |
Default |
Deskripsi |
|
inputFeatureTableName |
Yes |
None |
Tabel fitur masukan. |
|
inputFeatureTablePartitions |
No |
The entire table |
Partisi yang digunakan dari tabel fitur masukan. |
|
inputModelTableName |
Yes |
None |
Tabel model masukan. |
|
featureColNames |
No |
All columns |
Kolom fitur yang digunakan dari tabel masukan. |
|
metaColNames |
No |
None |
Kolom yang diteruskan ke tabel output tanpa diproses, seperti label dan sample_id. |
|
outputFeatureScore |
No |
false |
Menentukan apakah skor variabel akan dikeluarkan dalam hasil prediksi. Nilai yang valid:
|
|
outputTableName |
Yes |
None |
Tabel output untuk hasil prediksi. |
|
lifecycle |
No |
None |
Siklus hidup tabel output. |
|
coreNum |
No |
Automatically determined |
Jumlah core. |
|
memSizePerCore |
No |
Automatically determined |
Ukuran memori per core, dalam MB. |
Output
Berikut ini adalah contoh output dari komponen Scorecard Prediction. Setelah pemberian skor, tabel output berisi kolom label asli, seperti churn (dengan nilai 0 atau 1), dan kolom prediksi. Kolom churn diteruskan ke output dan bukan bagian dari hasil prediksi. Tabel berikut menjelaskan kolom prediksi tersebut.
|
Nama |
Tipe |
Deskripsi |
|
prediction_score |
DOUBLE |
Skor yang diprediksi. Untuk model linear, ini adalah jumlah dari setiap nilai fitur dikalikan dengan bobot model yang sesuai. Dalam model scorecard, jika transformasi skor dilakukan, kolom ini berisi skor yang telah ditransformasi. |
|
prediction_prob |
DOUBLE |
Untuk klasifikasi biner, ini adalah probabilitas yang diprediksi untuk kelas positif. Nilai ini dihitung dengan menerapkan transformasi Sigmoid pada skor asli, sebelum transformasi skor apa pun dilakukan. |
|
prediction_detail |
STRING |
String JSON yang berisi probabilitas yang diprediksi untuk setiap kelas. Dalam string tersebut, 0 merepresentasikan kelas negatif dan 1 merepresentasikan kelas positif. Contoh: {"0":0.1813110520,"1":0.8186889480}. |