Примеры использования Google Prediction API

Если вы ищете реальный случай, посмотрите этот, который автоматически назначает приоритет ошибкам.

Я также создал пару тестовых проектов, чтобы понять, как я могу использовать его в производстве.

Один из них предлагает теги для вопросов Stackoverflow. Модель для этого обучалась на вопросах (из дампа данных), которые имели только 1 тег. Это помогает ему распознавать особенности конкретного тега. Код и проза были разделены на отдельные функции, так как одна из них может иметь большее влияние на результат. Когда задан вопрос, он возвращает 10 лучших предложений тегов; фактические теги включены для сравнения.

Структура представляла собой файл CSV:

"tag","code blocks(200 chars)","body text(200 chars)"

Некоторые символы были отфильтрованы из code, что вызвало ошибки обучения: []^|~. Не уверен, что из них вызывало проблемы.

Если вы хотите, чтобы определенный вопрос был добавлен в список тестов, дайте мне знать. Очевидно, что вопросы, в которых есть код, предсказуемы лучше.

Другой проект прогнозирует рейтинги фильмов на основе данных IMDB и информации о режиссерах/актёрах. В отличие от подсказчика тегов, этот работает, поэтому вы можете поэкспериментировать с различными комбинациями, чтобы увидеть, что он предскажет.

Структура здесь была:

rating,"directorId","actorId actorId actorId"

Оба работают на Google App Engine, поэтому python является серверной частью. Я не использую конкретный API; только что следовал некоему примеру кода Ника Джонсона.

Я не использовал этот API. Но их списки веб-сайтов приведены ниже.

• Системы рекомендаций (демо-код)
• Обнаружение спама (демо-код)
• Анализ настроений клиентов
• Анализ возможностей допродажи
• Решения о маршрутизации сообщений
• Диагностика
• Классификация документов и электронной почты
• Выявление подозрительной активности
• Анализ оттока
• Идентификация языка