LBFGS Logistic Regression Predictive Model

Bu aktivite, verilen eğitim verisi üzerinden L-BFGS algoritması kullanarak bir Lojistik Regresyon modeli oluşturur ve bu model yardımıyla tahmin işlemleri gerçekleştirir. Aktivite, kullanıcıdan gelen ayarlarla birlikte eğitim sürecini özelleştirir ve belirli bir test oranı ile model doğruluğunu test eder.

Özellikler

• Display Name:Aktivitenin süreç içinde ayırt edilmesi için verilen isimdir. Varsayılan olarak "LBFGS Logistic Regression Predictive Model" olarak ayarlanır.

• Description : Aktivitenin işlevini açıklayan isteğe bağlı bir not alanıdır. Sürecin bakımını kolaylaştırmak için kullanılır.

• Delay Before : Aktivite başlamadan önce geçen bekleme süresini (saniye cinsinden) belirtir.

  • Varsayılan Değer: 0 (Bekleme olmadan çalışır).

  • Örnek Kullanım: Aktivitenin çalıştırılmasından önce belirli bir süre beklemek gerekiyorsa, bu süre burada belirtilir. Örneğin, 2 yazılırsa aktivite başlamadan önce 2 saniye bekler.

• Delay After: Aktivite tamamlandıktan sonra geçen bekleme süresini (saniye cinsinden) belirtir.

  • Varsayılan Değer: 0 (Bekleme olmadan bir sonraki aktiviteye geçer).

  • Örnek Kullanım: İşlem tamamlandıktan sonra sistemde gecikmeler yaşanıyorsa ya da sonraki adımın başlaması için bir süre verilmesi gerekiyorsa, bu alanda belirtilir.

• Continue On Error: Aktivite sırasında bir hata oluştuğunda sürecin devam edip etmeyeceğini kontrol eden özelliktir.

  • True: Aktivite hata aldığında bile süreç çalışmaya devam eder.

  • False: Aktivite hata alırsa süreç durur.

  • Varsayılan Değer: False (Varsayılan olarak süreç hata alırsa durur).

  • Örnek Kullanım: Kritik olmayan işlemlerde hata olsa bile sürecin devam etmesi isteniyorsa bu seçenek True olarak ayarlanır. Örneğin, bir dosyanın varlığını kontrol eden bir aktivitede hata alınırsa ve süreç bu hataya rağmen devam etmeliyse bu seçenek aktif edilir.

Inputs

Model Path

• Veri Tipi: Text

• Açıklama: Eğitilen modelin kaydedileceği dosya yoludur.

• Örnek: C:\GenProjects\AIModels

Separator Char

• Veri Tipi: Character

• Açıklama: Veri dosyasındaki ayırıcı karakter.

Has Header

• Veri Tipi: True/False

• Açıklama: Veri dosyasının başlık içerip içermediğini belirtir.

Allow Quoting

• Veri Tipi: True/False

• Açıklama: Veride tırnak işaretlerine izin verilip verilmediğini belirtir.

Trim Whitespace

• Veri Tipi: True/False

• Açıklama: Verilerdeki boşlukların kırpılıp kırpılmayacağını belirtir.

Allow Sparse

• Veri Tipi: True/False

• Açıklama: Seyrek (sparse) veri desteğinin olup olmadığını belirtir.

Label Column Name

• Veri Tipi: Text

• Açıklama: Etiket (hedef) kolonunun adıdır.

Feature Column Name

• Veri Tipi: Text

• Açıklama: Özellik (bağımsız değişken) kolonunun adıdır.

Example Weight Column Name

• Veri Tipi: Text

• Açıklama: Örnek ağırlıklarının bulunduğu kolonun adıdır (isteğe bağlı).

L1Regularization

• Veri Tipi: Float

• Açıklama: L1 düzenleme katsayısı.

L2Regularization

• Veri Tipi: Float

• Açıklama: L2 düzenleme katsayısı.

Optimization Tolerance

• Veri Tipi: Float

• Açıklama: Optimizasyon için tolerans değeri.

Test Fraction

• Veri Tipi: Float

• Açıklama: Verilerin test için ayrılacak oranı (örneğin 0.2 → %20 test verisi).

History Size

• Veri Tipi: Number

• Açıklama: Eğitim sırasında tutulacak geçmiş adım sayısı.

Enforce Non Negativity

• Veri Tipi: True/False

• Açıklama: Modelde negatif olmayan katsayılar zorunlu kılınsın mı?

Output Column Name

• Veri Tipi: Text

• Açıklama: Tahmin edilen sonuçların yazılacağı sütunun adı.

Input Column Name

• Veri Tipi: Text

• Açıklama: Girdi verilerinin bulunduğu sütunun adı.

Sample Statement

• Veri Tipi: Text

• Açıklama: Modelin çalıştırılmasına örnek teşkil eden ifade veya açıklama (dökümantasyon/deneme amaçlı kullanılabilir).

Workspace Path

• Veri Tipi: Text

• Açıklama: Geçici dosyaların saklanacağı dizin yolu.

• Varsayılan Değer: C:\GenProjects\AIModel

Outputs

Result

• Veri Tipi: Collection

• Açıklama: Lojistik regresyon modeli tarafından üretilen tahmin sonuçlarını içeren koleksiyondur.

Kullanım Örnekleri:

• CSV formatındaki müşteri verileri ile churn tahmini modeli eğitmek.

• Medikal ölçümlere göre hastalık tahmin modeli oluşturmak.

• Eğitim sonrası aynı modelle tahmin yapmak için Predict aktivitesiyle birlikte kullanmak.

Not:

• Girdi dosyası düzgün biçimlendirilmiş olmalıdır.

• Etiket ve özellik kolonlarının doğru şekilde belirtilmesi gerekir.

• Eğitim süresi verinin büyüklüğüne ve donanım kapasitesine göre değişebilir.