Eine Vorhersage erstellen

Nachdem Sie einen Vorhersagetyp ausgewählt haben, führt Sie ML Studio durch drei kurze Schritte, die genau definieren, was vorhergesagt werden soll, wann die Vorhersage erfolgt und woraus gelernt wird. Diese Seite behandelt Schritt 2, 3 und 4 des Ablaufs.

Schritt 2 – Ziel auswählen

Der Bildschirm Ziel auswählen fragt „Was soll mindzie vorhersagen?“ Sie wählen die Spalte aus, deren Wert das Modell lernen soll.

Ziel auswählen Bildschirm, der Kandidatenspalten als Karten zeigt

Jede Kandidatenspalte wird als Karte mit ihrem Namen, einem Hinweis auf deren Inhalt und einem Abzeichen angezeigt:

  • Für Klassifikation zeigt das Abzeichen, wie viele unterschiedliche Werte die Spalte hat (z. B. 5 Werte), mit einigen Beispielen wie Home, Rehab, SNF, Home Health, Expired.
  • Für Binär werden nur Spalten mit genau zwei Werten angeboten.
  • Für Regression steht auf dem Abzeichen number und es werden nur numerische Spalten angeboten.

Nur Spalten, die zum von Ihnen gewählten Vorhersagetyp passen, erscheinen hier, damit Sie nichts auswählen können, was keinen Sinn macht. Die Kopfzeile zeigt an, aus welchem Datensatz Sie arbeiten und wie viele Kandidatenspalten gefunden wurden.

Jede andere Spalte wird zum Signal. Hier wählen Sie nur das Ziel aus. Jede andere Spalte in Ihrem Datensatz – sowohl Rohfelder als auch spaltenbasierte Anreicherungen – wird zu einem Kandidatensignal, von dem das Modell lernen kann. Diese prüfen und passen Sie in Schritt 4 an.

Wenn keine passenden Spalten angezeigt werden, versuchen Sie einen anderen Vorhersagetyp oder fügen Sie zuerst eine abgeleitete Spalte mit einer Anreicherung in Ihren Datensatz ein.

Schritt 3 – Vorhersage-Einrichtung

Der Bildschirm Vorhersage-Einrichtung fragt „Wann soll mindzie vorhersagen?“ Ein Fall ist eine Abfolge von Schritten über die Zeit, daher wählen Sie den Moment, in dem ein laufender Fall seine Vorhersage erhält. ML Studio lernt dann aus Ihren historischen Fällen genau zu diesem Zeitpunkt.

Vorhersage-Einrichtungsbildschirm mit den drei Auswahlmöglichkeiten für den Vorhersagezeitpunkt

Wählen Sie einen Vorhersage-Moment:

Wahl Was es bewirkt
Kontinuierlich, bei jedem Schritt (empfohlen) Jeder offene Fall erhält eine neue Vorhersage, sobald ein neuer Schritt erfasst wird, die sich im Verlauf des Falls verfeinert.
An einem Meilenstein Eine Vorhersage, die vorgenommen wird, wenn der Fall einen von Ihnen gewählten Schritt erreicht – ein echter Entscheidungspunkt. Wählen Sie den Meilensteinschritt aus dem Dropdown-Menü.
Nach den ersten N Schritten Warten Sie, bis ein Fall etwas Verlaufsdaten hat, bevor eine Vorhersage erstellt wird. Legen Sie fest, wie viele Schritte gewartet wird (1 bis 50).

Eine Vorhersage verwendet alles, was bis zum Vorhersagezeitpunkt bekannt ist – die bisherigen Schritte, wie lange der Fall läuft, die Zeit seit dem letzten Schritt, die Tageszeit und Fallattribute. Sie verwendet niemals das Ergebnis oder etwas, was nach diesem Moment geschieht, sodass Vorhersagen ehrlich bleiben.

Wenn Sie zufrieden sind, klicken Sie auf Weiter zu den Merkmalen.

Schritt 4 – Merkmale

Der Bildschirm Merkmale zeigt „Woraus mindzie lernen wird.“ Merkmale sind die Signale, die das Modell berücksichtigt. ML Studio analysiert Ihren Datensatz und wählt eine starke Gruppe für Sie vor; Sie können Signale hinzufügen oder entfernen, müssen dies aber selten tun.

Merkmale-Bildschirm mit vorgeschlagenen, bestehenden und entwickelten Merkmalsgruppen

Oben zeigt eine Zusammenfassung, wie viele Kandidatmerkmale ausgewählt sind, wie viele für diesen Datensatz vorgeschlagen wurden, wie viele aus Ihren bestehenden Anreicherungen stammen und bestätigt, dass AutoML die endgültige Teilmenge automatisch auswählt.

Merkmale sind gruppiert, damit Sie sehen können, woher jedes Signal stammt:

  • Vorgeschlagen für diesen Datensatz – Signale, die ML Studio auf Ihre Daten als gut passend erkannt hat, jeweils mit kurzer Begründung. Beispiele:
    • Zeitdauer in jedem Schritt – Dauern pro Schritt, das stärkste Signal in fast jedem Prozess.
    • Ressourcenübergaben – wie oft ein Fall die Verantwortlichkeit wechselt; häufige Übergaben gehen oft mit einem schlechten Ergebnis einher.
    • Nacharbeit & Schleifen – wiederholte Schritte und Schleifen, die häufig einem schlechten Ergebnis vorausgehen.
    • Intelligente Kategorien für numerische Attribute – Einteilung eines Rohwerts in Kategorien, was oft besser funktioniert als der Rohwert.
  • Ihre Anreicherungen – die Anreicherungsspalten, die bereits in diesem Datensatz enthalten sind, standardmäßig eingeschlossen. Deaktivieren Sie alle, die nicht berücksichtigt werden sollen.
  • Entwickelt aus Ihrem Prozess – Signale, die ML Studio automatisch aus Ihrem Ereignisprotokoll erstellt, wie Aktivitätsmuster, Fluss und Nacharbeit, Zeitmessung und Ressourcenübergaben. Diese sind standardmäßig aktiviert. Rohe Fallattribute sind ebenfalls verfügbar, aber standardmäßig deaktiviert, da die entwickelten Signale meist besser vorhersagen.

Sie müssen nicht aussortieren. Fügen Sie alles hinzu, was helfen könnte, und überlassen Sie den Rest dem Modell. Der Trainingsschritt bewertet jedes Signal, behält nur die Teilmenge, die wirklich vorhersagt, und zeigt Ihnen, was verworfen wurde und warum – inklusive einer Absicherung, die jedes Signal entfernt, das die Antwort bereits verrät.

Klicken Sie auf Weiter zum Training, um die Modellsuche zu starten, die in Training und Ergebnisse behandelt wird.