Buat model regresi linier untuk memprediksi kemampuan pembayaran pinjaman berdasarkan data historis mengenai pendapatan, luas lahan, dan jenis tanaman.
Buat model regresi linier menggunakan data pinjaman historis—meliputi pendapatan tahunan, jenis tanaman, dan luas lahan—untuk memprediksi apakah pemohon mampu membayar jumlah pinjaman yang diajukan.
Set data bersifat fiktif untuk keperluan pembelajaran.
Prasyarat
Ruang kerja telah dibuat. Untuk informasi selengkapnya, lihat Create and manage a workspace.
Sumber daya MaxCompute telah dikaitkan dengan ruang kerja. Untuk informasi selengkapnya, lihat Create and manage a workspace.
Bidang set data
Field | Type | Description |
id | STRING | Pengidentifikasi unik untuk setiap entri. |
name | STRING | Nama pemohon. |
region | STRING | Wilayah geografis yang diurutkan dari utara ke selatan. |
farmsize | DOUBLE | Luas lahan pertanian (ekar). |
rainfall | DOUBLE | Curah hujan tahunan (milimeter). |
landquality | DOUBLE | Skor kualitas tanah. Nilai yang lebih tinggi menunjukkan kualitas yang lebih baik. |
farmincome | DOUBLE | Pendapatan pertanian tahunan. |
maincrop | STRING | Jenis tanaman utama yang dibudidayakan. |
claimtype | STRING | Jenis pinjaman yang diajukan. |
claimvalue | DOUBLE | Jumlah pinjaman yang diminta. |
Buat dan jalankan alur kerja
-
Buka halaman Machine Learning Designer.
-
Masuk ke PAI console.
-
Di panel navigasi sebelah kiri, klik Workspaces. Di halaman Workspaces, klik nama ruang kerja yang ingin Anda kelola.
-
Di panel navigasi sebelah kiri, pilih .
-
Buat alur kerja.
Di halaman Designer, klik Preset Templates.
Pada Regression Algorithm Implementation for Agricultural Loan Prediction, klik Create.
Di Create Workflow, konfigurasikan parameter atau gunakan nilai default.
Workflow Data Storage menentukan path Bucket OSS untuk data dan model sementara.
-
Klik OK.
Alur kerja dibuat dalam waktu sekitar 10 detik.
Di daftar alur kerja, pilih Regression Algorithm for Agricultural Loan Prediction dan klik Enter Workflow.
Designer secara otomatis membangun alur kerja.
Area
Description
①
Membaca set data alur kerja:
Pelatihan: 100 catatan pinjaman historis dengan fitur seperti farmsize dan rainfall untuk melatih model. claimvalue berisi jumlah pinjaman yang berhasil diterima.
Uji: 71 pemohon pinjaman saat ini. claimvalue berisi jumlah pinjaman yang diminta.
Menggunakan data historis untuk memprediksi pemohon mana yang akan disetujui pinjamannya.
②
Memetakan nilai string ke angka. Untuk region, memetakan north, middle, dan south ke 0, 1, dan 2, lalu mengonversinya ke DOUBLE.
③
Linear Regression melatih dan menghasilkan model menggunakan data historis. Prediction menggunakan model ini untuk memprediksi penerbitan pinjaman. Merge Columns menggabungkan ID pengguna, nilai prediksi, dan jumlah pinjaman yang diminta.
prediction_score berisi jumlah pembayaran yang diprediksi.④
Regression Model Evaluation mengevaluasi kinerja model. Lihat Evaluation metrics untuk detailnya.
⑤
Filtering And Mapping mengidentifikasi pemohon yang memenuhi syarat, yaitu yang jumlah pembayaran yang diprediksi melebihi jumlah pinjaman yang diminta.
Tabel 1. Evaluation metrics
Field
Description
MAE
Mean absolute error.
MAPE
Mean absolute percentage error.
MSE
Mean squared error.
R
Multiple correlation coefficient.
R2
Determination coefficient.
RMSE
Root mean squared error.
SAE
Sum of absolute errors.
SSE
Sum of squares for error.
SSR
Sum of squares due to regression.
SST
Total sum of squares.
count
Jumlah baris.
predictionMean
Rata-rata prediksi.
yMean
Rata-rata variabel dependen asli.
Jalankan alur kerja dan lihat hasilnya.
Klik
di atas canvas.Setelah selesai, klik kanan Filtering and Mapping dan pilih untuk melihat pemohon yang memenuhi syarat.
Informasi terkait
Untuk informasi selengkapnya mengenai komponen algoritma: