Zu Hauptinhalt springen Zu ergänzendem Inhalt springen

Überprüfen der Modelle

Um Ihre Modelle für maschinelles Lernen bewerten zu können, müssen Sie die Modell-Scores und -metriken verstehen können. In einigen Fällen ist es wichtiger zu verstehen, wie jedes Feld und jeder Wert sich auf das vorhergesagte Ergebnis auswirkt – also den Grund, aus dem etwas geschieht –, als Vorhersagen zu treffen.

Workflow

Halten Sie sich bei der Überprüfung von Modellen diesen schrittweisen Workflow, um optimale Ergebnisse zu erhalten.

Schritt 1: Die Konzepte verstehen

Ein grundlegendes Verständnis von den zugrunde liegenden Konzepten kann hilfreich sein, bevor Sie mit der Überprüfung Ihrer Modellmetriken beginnen. In Qlik AutoML werden die Modellmetriken im Allgemeinen klassifiziert als:

Zusätzlich gibt es eine Reihe unterschiedlicher Algorithmen, die zum Trainieren Ihrer Modelle zur Verfügung stehen. Weitere Informationen finden Sie unter Verstehen von Modellalgorithmen.

Schritt 2: Die Benutzeroberfläche zum Durchführen von Analysen verwenden

Der nächste Schritt besteht darin, Qlik AutoML zur Beurteilung der Ergebnisse des Trainings zu nutzen. Sie können zwischen den verschiedenen Registerkarten in der Experimentoberfläche wechseln, um Folgendes zu tun:

  • Die Trainingsdaten prüfen, um zu sehen, wie sie während des Trainings vorverarbeitet wurden

  • Eine Übersicht anzeigen, wie AutoML Ihre Modelle durch Verändern der Funktionsauswahl optimiert hat

  • Eine grobe Analyse von Kernmodellmetriken durchführen

  • Mit einem detaillierten Vergleich und einer detaillierten Analyse einzelner Modelle tiefer eindringen

Vollständige Details erhalten Sie in den folgenden Anleitungen:

Schritt 3: Bei Bedarf die Modelle verfeinern

Nachdem Sie die Modelle analysiert haben, können Sie sie verfeinern, um die Ergebnisse zu verbessern.

Die intelligente Modelloptimierung ist standardmäßig in Ihrem Experiment aktiviert. Diese Funktion verfeinert automatisch Modelle für Sie, indem Funktionen ausgeschlossen werden, die die Modellleistung beeinträchtigen könnten. Angenommen, Sie haben einen gut vorbereiteten Datensatz, dann sollte das Ergebnis bereit oder fast bereit für die Bereitstellung sein.

Sie können alternativ mit dem Training ohne intelligente Optimierung beginnen oder sie deaktivieren, nachdem Sie eine oder mehrere Versionen damit ausgeführt haben. Dies ist hilfreich, falls Sie mehr Kontrolle über den Trainingsprozess benötigen.

Vor oder nach einer Modellbereitstellung könnte eine zusätzliche Verfeinerung erforderlich sein. Zum Beispiel müssen Sie möglicherweise Modelle neu trainieren, nachdem sich die Trainingsdaten geändert haben oder aktualisiert wurden.

Weitere Informationen zum Verfeinern von Modellen finden Sie unter Verfeinern von Modellen.

Nachdem Sie den Verfeinerungsprozess abgeschlossen haben, sind Sie bereit, das beste Modell bereitzustellen.

Weitere Informationen

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!