REST APIを使用して、Prediction Oneも予測モデル作成ができます。以下の一連のAPIによって実行します。
予測モデルを作成します。
https://developer-api.predictionone.sony.biz/v1/external/models
HTTPメソッドは、POSTです。
| name | 説明 |
|---|---|
| x-api-key | API Key。 |
| content-type | application/json |
ありません。
ありません。
| name | 説明 |
|---|---|
| external_process_id | Train data upload APIのレスポンスに含まれるexternal_process_id |
| name | 予測モデル名 |
| config | 下記config参照 |
| name | 説明 |
|---|---|
| tc | 予測したい項目(予測ターゲット)として使用する項目の名前。 |
| tt | 予測タイプ。二値分類ならbinary_classification、多値分類ならmulti_classification、数値予測ならregressionを指定する。 |
| tv | 予測値。予測タイプで二値分類を指定した場合は必須。それ以外は指定なし。 |
| cv | k 分割交差検証の分割数。0を指定すると学習データに基づき、交差検証を行うかどうかとその分割数を自動決定する。-1を指定すると交差検証は必ず行うが、その分割数は学習データに基づき自動決定する。1を指定すると交差検証を行わない。2以上を指定すると、指定された数 k で k 分割交差検証を行う。省略した場合は0指定と同じ。 |
| im | 予測したい項目の値の偏りを補正するかどうか。予測タイプが分類のときのみ設定可能。補正する場合はtrue、補正しない場合はfalseを指定。省略した場合はfalseと同じ。 |
| tsm | 時系列予測モードを使用するかどうか。時系列予測モードを使用する場合はtrueを指定、使用しない場合はfalseを指定する。省略した場合はfalseと同じ。時系列予測モードが使用できるのは予測タイプ(-tt)が数値予測(regression)のときのみ。 |
| tsu | 時系列予測の時間単位。年の場合year、月の場合month、日の場合day、時間の場合hour、分の場合minute、月末日の場合eomを指定する。自動判定の場合は、本オプション(-tsu)を指定しない。 |
| tsc | 時系列予測の予測したい項目(予測ターゲット)の時間情報項目。時系列予測モードを使用する(-tsm true)場合は必須。 |
| tsi | 時系列予測の時間間隔。整数を指定する。時間単位は-tsu で指定したものが使用される。たとえば 2 ヶ月間隔の場合、-tsu month -tsi 2 と指定する。自動判定の場合は、本オプション(-tsi)を指定しないか、0 を指定する。 |
| tsf | 時系列予測の予測期間の開始時期。時系列予測モードを使用する(-tsm true)の場合必須。1 以上の整数を指定する。時間単位は-tsu で指定したものが使用される。たとえば、予測期間が「2 ヶ月後から 4 ヶ月後まで」の場合、-tsu month -tsf 2 -tst 4 と指定する。 |
| tst | 時系列予測の予測期間の終了時期。時系列予測モードを使用する(-tsm true)の場合必須。-tsf で指定した値以上の整数を指定する。時間単位は-tsu で指定したものが使用される。たとえば、予測期間が「2 ヶ月後から 4 ヶ月後まで」の場合、-tsu month -tsf 2 -tst 4 と指定する。 |
| tss | 時系列予測の系列項目。系列項目がある場合のみ指定する。 |
| tsin | 時系列予測の予測期間について、予測したい項目以外の項目が手に入るかどうか。全ての項目が手に入る場合はtrue、全て手に入らない場合はfalseを指定する。省略した場合はfalseと同じ。手に入る項目、手に入らない項目が混在する場合は次の-tsineで例外を指定する。 (v3.0以前と同じ学習を行いたい場合は、 trueを指定する。詳細は、予測したい項目以外の項目を参照) |
| tsine | 時系列予測の予測期間について、予測したい項目以外の項目が手に入るかどうか、例外項目を指定する。-tsinがtrueの場合は、予測期間について値が手に入らない項目を指定する。-tsinがfalseの場合は、予測期間について値が手に入る項目を指定する。複数の項目を指定したい場合は、-tsine {項目名1} -tsine {項目名2} …のように複数回用いる。 |
以下のフォーマットです。
{
"external_process_id": str
}
| code | error | message | reason |
|---|---|---|---|
| 4001000204 | PREDA_EXTERNAL_BAD_REQUEST | invalid_api_key. | APIキーが存在しない |
| 4001000204 | PREDA_EXTERNAL_BAD_REQUEST | Inactive_credential. | APIキーが間違っている |
| 4001000204 | PREDA_EXTERNAL_BAD_REQUEST | Not_found_credential. | APIキーが間違っている |
| 4001000204 | PREDA_EXTERNAL_BAD_REQUEST | This user may be deleted. | ユーザー情報が削除されている可能性がある |
Train APIのpythonによる実行例が以下となります。
Train Data Upload APIの実行を行った状態を前提とし、サンプルデータの「1_プレミアムサービス購入.csv」で学習を実行します。
import requests
api_url = 'https://developer-api.predictionone.sony.biz/v1/external/models'
api_key = 'YOUR_API_KEY'
# Train Data Upload API実行時に取得したexternal_process_id
external_process_id = 'YOUR_EXTERNAL_PROCESS_ID'
headers = {'x-api-key': api_key, 'content-type': 'application/json'}
# request
body = {
'external_process_id': external_process_id,
'name': 'MODEL_NAME',
'config': {
'tc':'プレミアムサービス(予測対象)',
'tt':'binary_classification',
'tv':'購入あり',
'cv':"2"
}
}
response = requests.post(api_url, json=body, headers=headers)
response_json = response.json()
external_process_id = response_json['external_process_id']
Train APIのコマンドプロンプトからcurlコマンドによる実行例が以下となります。
1. コマンドプロンプトを立ち上げる
2. body情報を記載したファイルを保存(body.txtとする)
3. リクエストする
$ curl -o "response.json" -H "x-api-key:{Get API Key APIから取得したAPI KEY}" -H "Content-Type: application/json" -X POST -d @"{2.のファイルのフルパス}" -G https://developer-api.predictionone.sony.biz/v1/external/models
ex) $ curl -o "response.json" -H "x-api-key:xxxx-xxx-xxx-xxxx" -H "Content-Type: application/json" -X POST -d @body.txt https://developer-api.predictionone.sony.biz/v1/external/models