Prediksi Scorecard - Platform For AI

Prediksi scorecard adalah teknik pembelajaran mesin yang melibatkan penerapan model scorecard pada data baru untuk memprediksi kinerja atau risiko masa depannya. Model ini biasanya dihasilkan oleh komponen pelatihan scorecard, sedangkan komponen prediksi scorecard menggunakan model tersebut untuk mengevaluasi dan memberi peringkat data masukan, membantu dalam pengambilan keputusan dan manajemen risiko.

Konfigurasikan komponen

Anda dapat menggunakan salah satu metode berikut untuk mengonfigurasi komponen Prediksi Scorecard:

Metode 1: Konfigurasikan komponen pada halaman pipeline

Anda dapat mengonfigurasi parameter komponen Prediksi Scorecard pada halaman pipeline Machine Learning Designer dari Platform for AI (PAI). Machine Learning Designer sebelumnya dikenal sebagai Machine Learning Studio. Tabel berikut menjelaskan parameter-parameter tersebut.

Tab	Parameter	Deskripsi
Fields Setting	Feature Columns	Kolom fitur yang digunakan dalam prediksi. Secara default, semua kolom fitur dipilih.
	Reserved Columns	Kolom yang ditambahkan ke tabel hasil prediksi tanpa pemrosesan, seperti kolom ID dan objektif.
	Output Variable Score	Menentukan apakah akan menghasilkan skor untuk setiap variabel fitur. Total skor prediksi adalah skor opsi intercept ditambah skor setiap variabel.
Tuning	Cores	Jumlah core CPU yang dibutuhkan. Secara default, sistem menentukan nilainya.
Tuning	Memory Size per Core	Ukuran memori setiap core CPU. Secara default, sistem menentukan nilainya.

Metode 2: Gunakan perintah PAI

Konfigurasikan parameter komponen dengan menggunakan perintah PAI. Anda dapat menggunakan komponen SQL Script untuk memanggil perintah PAI. Untuk informasi lebih lanjut, 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	Deskripsi	Diperlukan	Nilai default
inputFeatureTableName	Nama tabel fitur masukan.	Ya	Tidak ada nilai default
inputFeatureTablePartitions	Partisi yang dipilih dari tabel fitur masukan.	Tidak	Tabel lengkap
inputModelTableName	Nama tabel model masukan.	Ya	Tidak ada nilai default
featureColNames	Kolom fitur yang dipilih dari tabel masukan.	Tidak	Semua kolom
metaColNames	Kolom yang tidak perlu dikonversi. Kolom-kolom ini di output sama dengan yang di input. Anda dapat menentukan label dan ID sampel di kolom-kolom ini.	Tidak	Tidak ada nilai default
outputFeatureScore	Menentukan apakah akan menghasilkan skor variabel dalam hasil prediksi. Nilai valid: true: menghasilkan skor variabel dalam hasil prediksi. false: tidak menghasilkan skor variabel dalam hasil prediksi.	Tidak	false
outputTableName	Nama tabel output.	Ya	Tidak ada nilai default
lifecycle	Lifecycle tabel output.	Tidak	Tidak ada nilai default
coreNum	Jumlah core.	Tidak	Ditentukan oleh sistem
memSizePerCore	Ukuran memori setiap core. Satuan: MB.	Tidak	Ditentukan oleh sistem

Output

Gambar berikut menunjukkan tabel skor yang dihasilkan oleh komponen Prediksi Scorecard. Sample score table Kolom churn adalah kolom yang ditambahkan ke tabel hasil dari tabel masukan. Data dalam kolom ini tidak memengaruhi hasil prediksi. Tiga kolom lainnya menampilkan hasil prediksi. Tabel berikut menjelaskan tiga kolom tersebut.

Kolom	Tipe data	Deskripsi
prediction_score	DOUBLE	Kolom yang berisi skor prediksi. Dalam model linier, nilai fitur dan nilai bobot model dikalikan dan dijumlahkan untuk mendapatkan skor prediksi. Dalam model scorecard, jika transformasi skor dilakukan, skor yang telah ditransformasi dihasilkan di kolom ini.
prediction_prob	DOUBLE	Kolom yang berisi nilai probabilitas contoh positif dalam klasifikasi biner. Nilai probabilitas ditransformasi dari skor asli (tanpa transformasi skor) dengan menggunakan fungsi sigmoid.
prediction_detail	STRING	Kolom yang berisi nilai probabilitas contoh positif dan negatif yang dijelaskan dalam string JSON. Nilai 0 mewakili negatif, dan nilai 1 mewakili positif. Contoh: {"0":0.1813110520,"1":0.8186889480}.