2024年6月4日,Oracle Machine Learning for Python(OML4Py)宣布其最新功能——空间人工智能(Spatial AI)现已全面推出。这一新特性通过将位置效应纳入考虑,提供了一系列专门的机器学习算法。
空间人工智能的优势
OML4Py的空间人工智能算法能够通过考虑位置效应,提高模型质量和预测精度。例如,空间回归算法可以通过考虑邻近房屋价值的影响,增强房屋价值预测。此外,空间算法还允许检测位置模式,如交通事故的空间聚类。
在 Autonomous Database Serverless 上的应用
作为OML4Py在Autonomous Database Serverless上的一个组成部分,空间人工智能提供了一个单一的环境,用于空间机器学习工作流程。这减少了数据移动到外部机器学习引擎的需求,简化了架构,并加快了价值实现的时间。
开始使用
为了帮助用户快速上手,OML4Py提供了示例笔记本(notebooks)。用户可以通过Oracle Machine Learning用户界面,导航到“Templates > Examples”,并筛选“spatial”标签来找到它们。点击示例笔记本的标题,可以以只读模式查看内容。要创建自己的可编辑/可运行的示例笔记本副本,首先点击磁贴选择示例笔记本,点击“Create Notebook”,然后选择您的项目。
示例笔记本
- OML4Py Spatial AI Run Me First:从这个笔记本开始,它将为您准备示例数据,然后您可以尝试其他基于您兴趣的笔记本。
数据准备后的使用
数据准备完毕后,您可以按任意顺序运行示例笔记本。例如,在“OML4Py Spatial AI Agglomerative Clustering and Regionalization”示例笔记本中,您可以应用一个空间机器学习算法,将人口普查区块组合成基于相似人口统计数据的广泛区域。这些区域对于区域市场营销非常有用,因为可以根据本地人口统计数据和相关的购买模式调整策略。
可视化结果对比
以下图像显示了仅基于相似特征值的非空间聚类结果(左图),以及使用空间机器学习算法将区域根据特征值和位置相似性组合成区域的聚类结果。
在 ADB-S 租户或 Always Free 实例中尝试 OML4Py Spatial AI
请在您的ADB-S租户中尝试OML4Py空间人工智能,或者使用Always Free实例。我们鼓励您分享问题和反馈:访问 https://forums.oracle.com ,在Developer Community下发帖,并确保添加标签@spatial和@machine-learning。
Oracle Machine Learning for Python (OML4Py) 团队
发布日期:2024年6月4日
更多信息
Oracle官方论坛
OML4Py 文档
OML4Py Spatial AI 文档