创建并部署评分模型来预测心率衰竭

摘要

机器学习技术已蔓延至众多领域,其中最有趣的领域之一就是医疗保健领域。本 Code Pattern 使用 IBM Watson Studio 上的 Jupyter Notebook 来构建预测模型,演示潜在的医疗保健用例。此预测模型部署到 Watson Machine Learning 服务上的生产环境中,并由 IBM Cloud 中的 Cloud Foundry Runtime 上运行的自定义 Node.js 应用来调用。

概览

身为工作繁忙的开发人员或数据科学家,您希望能够找到最快的途径向用户提供数据洞察,但这需要对许多技术领域的专业知识了解比较深入。此全面的示例向您详细展示了多种技术,这些技术可用于:

  • 获取、清理和探索数据
  • 构建预测性机器学习模型
  • 预测结果
  • 托管模型以供使用
  • 从 Node.js 应用调用托管模型

在此过程中,您将了解用于在 IBM Cloud 上托管经过训练模型的 IBM Watson Machine Learning 服务,以及面向数据科学团队的基于云的 IDE – IBM Watson Studio;此外,还有用于整合为数据科学和机器学习而构建的众多开源技术的工具。

在本 Code Pattern 中,您将使用 IBM Watson Studio 上的 Jupyter Notebook 来构建预测模型,演示潜在的医疗保健用例。虽然这仅用于演示目的,但您将了解如何对由各种医疗保健指标组成的数据集使用 Watson Machine Learning,进而为心脏衰竭风险创建预测模型。创建此模型后,可对输入的信息进行评分,产生单个案例的预测结果。请注意,本应用仅用于演示和说明目的,并不是法规审查服务产品的构成部分。

学完本 Code Pattern 之后,您将掌握如何:

  • 在 Jupyter Notebook 中构建预测模型
  • 将模型部署至 IBM Watson Machine Learning 服务
  • 通过 API 或 Node.js 应用访问机器学习模型

流程

流程

  1. 开发人员创建 IBM Watson Studio Workspace。
  2. IBM Watson Studio 依赖于 Apache Spark 服务。
  3. IBM Watson Studio 使用云对象存储来管理您的数据。
  4. 此实验室是基于 Jupyter Notebook 构建的,开发人员可在此导入数据,训练和评估其模型。
  5. 导入心脏衰竭数据。
  6. 使用 IBM Watson Machine Learning 服务将经过训练的模型部署到生产环境中。
  7. 在 IBM Cloud 上部署 Node.js Web 应用,并调用此预测模型。
  8. 用户访问 Web 应用,输入其信息,预测模型将响应信息返回给用户。

操作说明

可以在 README.md 文件中找到本 Code Pattern 的详细步骤。这些步骤将展示如何:

  1. 部署测试应用
  2. 创建一个 Watson Machine Learning 服务实例。
  3. 创建一个 Watson Studio 服务实例。
  4. 在 IBM Watson Studio 中创建一个项目,并将其构建到 Watson Machine Learning 服务实例中
  5. 保存 Watson Machine Learning 服务凭证
  6. 在 IBM Watson Studio 中创建 Notebook
  7. 在 IBM Watson Studio 中运行 Notebook
  8. 将保存的预测模型作为评分服务来部署

本文翻译自:Create and deploy a scoring model to predict heartrate failure(2018-05-18)