Zu Hauptinhalt springen Zu ergänzendem Inhalt springen

Beispiel – Trainingsmodelle mit automatisiertem maschinellen Lernen

In diesem Beispiel trainieren Sie ML-Modelle unter Zuhilfenahme der intelligenten Modelloptimierung. Mit der intelligenten Modelloptimierung übernimmt AutoML den Prozess der Iteriation und Verfeinerung Ihrer Modelle für Sie.

Weitere Informationen zur intelligenten Modelloptimierung finden Sie unter Intelligente Modelloptimierung.

Lerninhalte

In diesem Beispiel lernen Sie:

  • Wie Sie ein ML-Experiment erstellen und konfigurieren

  • Wie die intelligente Optimierung die automatische Modellverfeinerung bereitstellen kann

  • Wie Sie Trainingsergebnisse anzeigen und analysieren

Weitere Überlegungen

Die intelligente Modelloptimierung hilft außerordentlich bei der Verfeinerung von Modellen, vorausgesetzt, der Datensatz ist gut vorbereitet. Um sicherzustellen, dass Ihre Modelle in realen Anwendungsfällen qualitativ hochwertig sind, ist es äußerst wichtig, damit zu beginnen, dem strukturierten Framework zu folgen und einen Trainingsdatensatz mit relevanten Features und Daten vorzubereiten. Weitere Informationen finden Sie unter:

Die intelligente Modelloptimierung kann optional für jede Experimentversion deaktiviert werden. Wenn Sie diese Einstellung deaktivieren, optimieren Sie Ihre Modelle manuell. Die manuelle Optimierung kann hilfreich sein, wenn Sie spezifische Anpassungen an der Experimentkonfiguration vornehmen möchten. Sie könnten eine Version mit intelligenter Modelloptimierung ausführen und dann die Optimierung deaktivieren, um kleine manuelle Änderungen vorzunehmen. Damit würden Sie dennoch von der bereitgestellten automatischen Verfeinerung profitieren.

Dieses Beispiel deckt das Experimenttraining mit intelligenter Optimierung ab. Ein komplettes Tutorial zur manuellen Optimierung finden Sie unter Tutorial – Generieren und Visualisieren von Vorhersagedaten. Das Tutorial enthält auch eine lückenlose Anleitung zur Bereitstellung von Modellen, Erzeugung von Vorhersagen und Visualisierung von Vorhersagedaten mit interaktiven Qlik Sense-Apps.

Wer sollte dieses Beispiel durcharbeiten

Sie sollten dieses Beispiel durcharbeiten, um zu lernen, wie die intelligente Modelloptimierung für die Verfeinerung Ihrer ML-Modelle verwendet werden sollte.

Zum Durcharbeiten dieses Beispiels benötigen Sie Folgendes:

  • Professional- oder Full User-Berechtigung

  • Sicherheit des Automl Experiment Contributor im Mandanten

  • Wenn Sie in einem kollaborativen Bereich arbeiten, die erforderlichen Bereichsrollen in den Bereichen, in denen Sie arbeiten werden. Siehe: Verwalten von Berechtigungen in freigegebenen Bereichen

Wenn Sie keine ML-Ressourcen anzeigen oder erstellen können, verfügen Sie wahrscheinlich nicht über die erforderlichen Rollen oder Berechtigungen. Wenden Sie sich für weitere Informationen an Ihren Mandantenadministrator.

Weitere Informationen finden Sie unter Wer kann mit Qlik AutoML arbeiten.

Vorbereitungen vor dem Beginn

Laden Sie dieses Paket herunter und entzippen Sie es auf Ihrem Desktop:

AutoML-Beispiel - Intelligente Modelloptimierung

Das Paket enthält den Trainingsdatensatz, mit dem Sie Modelle trainieren werden. Der Datensatz enthält Informationen zu den Kunden, deren Frist für eine Verlängerung verstrichen ist und die sich entschieden haben, entweder zu kündigen oder den Dienst weiterhin zu abonnieren.

  1. Öffnen Sie das Aktivitätscenter Analysen.

  2. Gehen Sie zur Seite „Erstellen“, wählen Sie Datensatz aus und wählen Sie dann Datendatei hochladen aus.

  3. Ziehen Sie die Datei AutoML Example - Churn data - training.csv in das Dialogfeld zum Hochladen.

  4. Wählen Sie einen Bereich aus. Das kann Ihr persönlicher Bereich oder ein freigegebener Bereich sein, wenn Sie möchten, dass andere Benutzer auf diese Daten zugreifen können.

  5. Klicken Sie auf Hochladen.

Nachdem der Datensatz hochgeladen wurde, können Sie jetzt ein Experiment erstellen.

Teil 1: Experiment erstellen

  1. Gehen Sie zur Seite „Erstellen“ des Aktivitätscenters Analysen und wählen Sie ML-Experiment aus.

  2. Geben Sie einen Namen für Ihr Experiment ein, beispielsweise Beispiel für intelligente Optimierung.

  3. Fügen Sie optional eine Beschreibung und Tags hinzu.

  4. Wählen Sie einen Bereich für Ihr Experiment aus. Das kann Ihr persönlicher Bereich oder ein freigegebener Bereich sein.

  5. Klicken Sie auf Erstellen.

  6. Wählen Sie die Datei AutoML Example - Churn data - training.csv aus.

Teil 2: Experiment konfigurieren

Als Nächstes können wir das Experiment konfigurieren.

Für die intelligente Modelloptimierung ist eine geringere anfängliche Konfiguration als bei der manuellen Optimierung notwendig. In diesem Fall werden wir ein Ziel auswählen und alle Features, die standardmäßig enthalten sind, verwenden.

Auswählen des Ziels

Unser ML-Modell soll die Kundenabwanderung vorhersagen, also wählen wir Churned (Abgewandert), die letzte Spalte im Datensatz, als Ziel aus.

Im Experiment sollte als einzige Registerkarte die Registerkarte Data angezeigt werden. Sie können ein Ziel auf mehrere Art und Weisen auswählen, allerdings verwenden wir hier die Tabellenzeilen Schemaansicht, die standardmäßig geöffnet wurde.

  • Bewegen Sie im Schema den Mauszeiger über Churned und klicken Sie auf das angezeigte Zielsymbol Ziel.

Auswahl des Ziels in der Schemaansicht

Datensatzspalte mit Zielsymbol.

Bestätigung der Featureauswahl

Nachdem Sie ein Ziel ausgewählt haben, sind alle verfügbaren und empfohlenen Features standardmäßig enthalten. Bestätigen Sie in der Tabellenzeilen Schemaansicht, dass alle außer zwei Features enthalten sind. Neben allen enthaltenen Features sollten die Kontrollkästchen aktiviert sein. Country steht nicht zur Nutzung zur Verfügung. AccountID wird aufgrund der hohen Kardinalität nicht zur Nutzung empfohlen, weshalb wir es deaktiviert lassen.

Schema mit standardmäßiger Featureauswahl

Schemaansicht mit allen verfügbaren und empfohlenen, in der Experimentversion enthaltenen Features

Bestätigung der intelligenten Optimierung

Ein Fensterbereich sollte rechts auf der Seite geöffnet werden, um zusätzliche Einstellungen zu konfigurieren. Wir überprüfen nun, ob die intelligente Modelloptimierung aktiviert ist.

  1. Wenn der Fensterbereich zur Experimentkonfiguration nicht offen ist, klicken Sie auf Steuerelemente Konfiguration anzeigen, um ihn zu öffnen.

  2. Erweitern Sie im Fensterbereich die Option Modelloptimierung.

  3. Die ausgewählte Optimierungsoption sollte Intelligent sein.

Bestätigung, dass die Experimentversion mit der Optimierungsoption Intelligent ausgeführt wird

Fensterbereich der Experimentkonfiguration mit auf 'Intelligent' gesetzter Einstellung 'Modelloptimierung'

Ausführung des Trainings

Klicken Sie rechts unten auf der Seite auf Experiment ausführen, um mit dem Modelltraining zu beginnen.

Teil 3: Ansicht der Ergebnisse

Nach Abschluss des Trainings wird die Registerkarte Modelle angezeigt und geöffnet. Hier können Sie ansehen, welche Optimierungen während des Trainings durchgeführt wurden. Das beste Modell, das mit einem Trophäe-Symbol gekennzeichnet ist, wird automatisch ausgewählt. Wir wollen dieses Modell nun analysieren.

Sehen Sie sich die Modelltrainingsübersicht an. Sie zeigt Ihnen die Ergebnisse der intelligenten Optimierung für dieses Modell. In diesem Fall können wir sehen, dass die folgenden Features entfernt wurden. Außerdem wird der Grund für deren Entfernung angegeben:

  • DaysSinceLastService wurde aufgrund eines vermuteten Ziellecks weggelassen. In diesem Fall enthielt die Spalte Daten mit unpassender Logik. Die Tage seit dem letzten Serviceticket wurden nach wie vor für Kunden, die ihren Dienst storniert haben (in einigen Fällen vor Jahren) aktiv gezählt. Dieses Feature musste entfernt werden, da es dem Modell falsche Leistungswerte übergeben hätte und das Modell dadurch bei einer Bereitstellung sehr schlecht performt hätte. Siehe Datenleck

  • PriorPeriodUsage und PriorPeriodUsage-Rounded wurden entfernt, da sie zu stark mit einem anderen Feature korreliert waren. Das Feature, mit dem sie korreliert sind, war nach wie vor im Training enthalten. Weitere Informationen finden Sie unter Korrelation.

  • CurrentPeriodUsage, CustomerTenure, StartMonth, Territory, DeviceType und StartWeek wurden alle aufgrund geringer Permutation Importance entfernt. Features, die eine geringe Auswirkung auf das Modell haben, werden als statistisches Rauschen erachtet und können zur Verbesserung der Leistung entfernt werden. Weitere Informationen finden Sie unter Verständnis der Permutation Importance.

Diagramm Modelltrainingsübersicht mit den Features, die bei der intelligenten Optimierung entfernt wurden

Trainingsübersichtsdiagramm für Modell mit der besten Leistung, bei dem Features aufgrund von Ziellecks, hoher Korrelation und niedriger Permutation Importance entfernt wurden

Nachdem diese Features entfernt wurden, können wir nun Visualisierungen, die die maßgebendsten Features zeigen, sowie einige Indikatoren der Vorhersageleistung des Modells sehen. Was Sie in diesen Diagrammen sehen, kann Ihnen dabei helfen zu bewerten, ob etwas im Featuresatz fehlt oder ob die Ergebnisse verzerrt sind.

Weitere Informationen zur Analyse von Modellen mit diesen Visualisierungen finden Sie unter Durchführen von schnellen Modellanalysen.

Tiefergehende Analyse

Falls Sie die Modellmetriken weiter erkunden möchten, wechseln Sie zu den Registerkarten Vergleichen und Analysieren im Experiment. Diese Registerkarten bieten Ihnen eine detailliertere interaktive Ansicht der Metriken.

Weitere Informationen finden Sie unter Vergleichen von Modellen und Durchführen von detaillierten Modellanalysen.

Nächste Schritte

Mit einem qualitativ hochwertigen Datensatz erstellt die intelligente Optimierung einsatzfertige Modelle mit geringen bis gar keinen weiteren Iterationen. Ab diesem Zeitpunkt wird empfohlen, das Modell mit der besten Leistung bereitzustellen. Andernfalls können Sie die Modelle manuell weiter verfeinern oder die Trainingsdaten aktualisieren und die intelligente Modelloptimierung erneut ausführen.

Weitere Informationen zu den nächsten Schritten finden Sie unter folgenden Links:

Vielen Dank!

Sie haben dieses Beispiel abgeschlossen. Wir hoffen, Sie haben gelernt, wie Sie die intelligente Modelloptimierung einsetzen können, um einsatzfertige ML-Modelle mit Leichtigkeit zu trainieren.

Weitere Informationsquellen und Ressourcen

Ihre Meinung zählt

Wir freuen uns über jedes Feedback, das Sie mit uns teilen möchten. Bitte verwenden Sie den Abschnitt unten, um uns Feedback zu geben.

Hat diese Seite Ihnen geholfen?

Wenn Sie Probleme mit dieser Seite oder ihren Inhalten feststellen – einen Tippfehler, einen fehlenden Schritt oder einen technischen Fehler –, teilen Sie uns bitte mit, wie wir uns verbessern können!