Analysieren von Modellen
Qlik Predict bietet ein reichhaltiges visuelles Erlebnis zur Analyse der Modelle, die Sie in Ihrem Experiment trainieren. Sie können wichtige Modellmetriken über eine einfache Benutzeroberfläche analysieren, die automatisch generierte Empfehlungen, Übersichten und Visualisierungen umfasst. Für detailliertere Analysen und Vergleiche können Sie eingebettete Analysen nutzen.
Vor dem Beginn
Vor der Analyse von Modellen ist ein grundlegendes Verständnis der Modellüberprüfungskonzepte hilfreich. Dazu gehören die Modell-Scores, die Funktionsrelevanz und Algorithmen.
Informationen finden Sie unter Verständnis von Modellüberprüfungskonzepten.
Schnellanalyse
Mit einer Schnellanalyse können Sie rasch in Erfahrung bringen, wie das Modelltraining gelaufen ist und welche Qualität die resultierenden Modelle haben. Sie können auch prüfen, welche Modelle Ihnen aufgrund der allgemeinen Anforderungen empfohlen werden.
Vor der eingehenden Untersuchung der Analyse wird empfohlen, die Registerkarte Daten zu öffnen, um zu sehen, wie die Trainingsdaten verarbeitet wurden. Dies kann wichtig sein, da es sich möglicherweise herausgestellt hat, dass Funktionen in der Version unbrauchbar sind.
Öffnen Sie die Registerkarte Modelle im Experiment, um eine Übersicht über Ihre Trainingsergebnisse zu erhalten. Sie können umgehend die Modelle vergleichen und diejenigen mit der besten Leistung ausfindig machen. Die Informationen, die Sie auf dieser Registerkarte sehen, hängen davon ab, ob Sie die intelligente Modelloptimierung verwenden, und vom Problemtyp für Ihr Experiment.
Weitere Informationen finden Sie unter:
Modellvergleich
Verwenden Sie eingebettete Analysen, um einen interaktiven, tiefgehenden Vergleich Ihrer Modelle durchzuführen. Sie können diese Vergleiche auf der Registerkarte Vergleichen durchführen.
Während des Modellvergleichs können Sie:
-
Alle verfügbaren Modellmetriken für alle Modelle vergleichen.
-
Trainings- und Holdout-Scores für alle Modelle anzeigen und vergleichen.
-
Hyperparameterwerte über alle Modelle hinweg vergleichen.
Eine umfassende Anleitung finden Sie unter Vergleichen von Modellen.
Detaillierte Analyse
Führen Sie auf der Registerkarte Analysieren des Experiments eine detaillierte Analyse eines spezifischen Modells durch. Die detaillierte Analyse erfolgt mithilfe von eingebetteten Analysen. Sie können die Daten interaktiv filtern, um ein besseres Verständnis der Modellleistung für spezifische Datencluster zu erlangen.
Mit der detaillierten Modellanalyse können Sie Probleme identifizieren, die durch Trainingsdaten verursacht wurden, und mehr über die Stärken und Schwächen eines Modells lernen.
Eine umfassende Anleitung finden Sie unter Durchführen von detaillierten Modellanalysen.
Herunterladen von Trainingsberichten
Für zusätzliche Details können Sie Trainingsberichte für die Modelle in Ihrem Experiment herunterladen. Ein Trainingsbericht bietet eine ausführliche Zusammenfassung darüber, wie ein Modell trainiert wurde. Er enthält umfassende Details über die Vorverarbeitung, die Feature-Umwandlung, Experimentversionen und Modellmetriken. Die Trainingsberichte werden direkt auf Ihren lokalen Rechner exportiert.
Weitere Informationen finden Sie unter Herunterladen von ML-Trainingsberichten.
Nächste Schritte
Ihre nächsten Schritte können davon abhängen, wie Sie Ihre Modelle optimieren.
Die intelligente Modelloptimierung erstellt idealerweise ein Modell, welches mit wenig oder ganz und gar ohne Verfeinerung einsatzbereit ist. Die Qualität der Modelle hängt nach wie vor von der Qualität Ihrer Trainingsdaten, der Experimentkonfiguration und den spezifischen Anforderungen für Ihren Vorhersage-Anwendungsfall ab. Nachdem Sie die Modelle analysiert und alle anderen Probleme mit der Datenqualität oder Experimentkonfiguration behoben haben, können Sie das Modell bereitstellen, das Ihren Anforderungen am besten entspricht.
Wenn Sie nach Ausführung der intelligenten Modelloptimierung weitere Probleme feststellen oder Sie von Beginn an die intelligente Modelloptimierung deaktiviert haben, können Sie neue Versionen des Experiments manuell konfigurieren, um die resultierenden Modelle zu verbessern.
Zu den Beispielen für Verfeinerungsschritte gehören:
-
Aktivierung der intelligenten Optimierung nach dem Beginn ohne Optimierung
-
Deaktivierung der intelligenten Optimierung nach der Ausführung einer Version mit Optimierung. Dadurch können Sie nach Bedarf kleine Änderungen an der Konfiguration vornehmen.
-
Änderung oder Aktualisierung der Trainingsdaten
-
Änderung der eingeschlossenen Funktionen
-
Änderung der Veränderung von Funktionsdaten (zum Beispiel Änderung des Funktionstyps einer Funktion)
Wenn Sie die gewünschten Ergebnisse erzielt haben, stellen Sie ein oder mehrere Modelle bereit. Weitere Informationen finden Sie unter: