Een Voorspelling Bouwen

Nadat je een voorspellingstype hebt gekozen, begeleidt ML Studio je door drie korte stappen die precies bepalen wat je wilt voorspellen, wanneer je dat wilt doen, en waarvan je wilt leren. Deze pagina behandelt stap 2, 3 en 4 van de workflow.

Stap 2 - Kies het doel

Het scherm Kies het doel vraagt: "Wat moet mindzie voorspellen?" Je kiest de kolom waarvan je wilt dat het model de waarde leert.

Elke kandidaatkolom wordt weergegeven als een kaart met de naam, een hint van de inhoud en een badge:

• Voor Classificatie toont de badge hoeveel verschillende waarden de kolom heeft (bijvoorbeeld 5 waarden), met een paar voorbeelden zoals Home, Rehab, SNF, Home Health, Expired.
• Voor Binair worden alleen kolommen met precies twee waarden aangeboden.
• Voor Regressie staat er nummer op de badge, en worden alleen numerieke kolommen aangeboden.

Alleen kolommen die passen bij het gekozen voorspellingstype verschijnen hier, zodat je niet per ongeluk iets kiest dat geen zin heeft. De header geeft aan met welke dataset je werkt en hoeveel kandidaatkolommen er zijn gevonden.

Elke andere kolom wordt een signaal. Hier kies je alleen het doel. Elke andere kolom in je dataset - ruwe velden en verrijkings-afgeleide kolommen - wordt een kandidaat-signaal waar het model van kan leren. Die bekijk en pas je aan in stap 4.

Als er geen geschikte kolommen verschijnen, probeer dan een ander voorspellingstype, of voeg eerst een afgeleide kolom aan je dataset toe met een verrijking.

Stap 3 - Voorspelling instellen

Het scherm Voorspelling instellen vraagt: "Wanneer voorspelt mindzie?" Een case is een reeks stappen in de tijd, dus je kiest het moment waarop een lopende case zijn voorspelling krijgt. ML Studio leert dan van je historische cases op datzelfde moment.

Kies één voorspellingsmoment:

Keuze	Wat het doet
Continu, bij elke nieuwe stap (aanbevolen)	Iedere open case krijgt een nieuwe voorspelling telkens wanneer een nieuwe stap wordt vastgelegd, die scherper wordt naarmate de case zich ontvouwt.
Bij een mijlpaal	Eén voorspelling, gemaakt wanneer de case een door jou gekozen stap bereikt – een echt beslispunt. Selecteer de mijlpaalstap uit het dropdownmenu.
Na de eerste N stappen	Wacht tot een case wat geschiedenis heeft voordat de voorspelling gemaakt wordt. Stel in hoeveel stappen je wacht (1 tot 50).

Een voorspelling gebruikt alles wat bekend is tot het moment van voorspelling - de stappen tot dan toe, hoe lang de case loopt, de tijd sinds de laatste stap, het tijdstip van de dag en case-attributen. Het gebruikt nooit de uitkomst of iets dat na dat moment gebeurt, zodat voorspellingen betrouwbaar blijven.

Als je tevreden bent, klik dan op Doorgaan naar features.

Stap 4 - Features

Het scherm Features toont "Waar mindzie van zal leren." Features zijn de signalen die het model overweegt. ML Studio analyseert je dataset en selecteert een sterke set voor je; je kunt signalen toevoegen of verwijderen, maar dat is zelden nodig.

Bovenaan zie je een overzicht van hoeveel kandidaat-features geselecteerd zijn, hoeveel er voor deze dataset voorgesteld zijn, hoeveel afkomstig zijn uit je bestaande verrijkingen, en dat AutoML automatisch de uiteindelijke subset kiest.

Features zijn gegroepeerd zodat je kunt zien waar elk signaal vandaan komt:

• Voorgesteld voor deze dataset - signalen die ML Studio herkende als een goede match voor je data, elk met een korte verklaring. Voorbeelden:
  • Tijd doorgebracht in elke stap - duur per stap, het sterkste signaal in bijna elk proces.
  • Overdrachten van resources - hoe vaak een case van eigenaar wisselt; frequente overdrachten gaan vaak samen met een slechte uitkomst.
  • Herbewerkingen & loops - herhaalde stappen en loops, die vaak een slechte uitkomst voorafgaan.
  • Slimme klassen voor numerieke attributen - het indelen van een ruwe waarde in klassen, wat vaak beter werkt dan de ruwe waarde.
• Je verrijkingen - de verrijkingskolommen die al op deze dataset staan, standaard inbegrepen. Schakel er een uit als je die niet wilt meenemen.
• Samengesteld uit je proces - signalen die ML Studio automatisch opbouwt uit je event log, zoals activiteitspatronen, flow en herbewerkingen, timing, en overdrachten van resources. Deze staan standaard aan. Ruwe case-attributen zijn ook beschikbaar, maar standaard uit omdat de samengestelde signalen meestal beter voorspellen.

Je hoeft niet te snoeien. Voeg alles toe dat kan helpen en laat de rest aan het model over. De trainingsstap rangschikt elk signaal, houdt alleen de subset over die echt voorspelt, en laat je zien wat het verwijderd heeft en waarom – inclusief een beveiliging die elk signaal verwijdert dat het antwoord al prijsgeeft.

Klik op Doorgaan naar training om de modelzoektocht te starten, behandeld in Training en resultaten.