Zu Hauptinhalt springen Zu ergänzendem Inhalt springen

Erstellen und Konfigurieren des Experiments

Der erste Schritt besteht im Erstellen und Konfigurieren des Experiments. Sie verwenden den Trainingsdatensatz, den Sie zuvor hochgeladen haben, um das Modell zu trainieren, bis es zur Bereitstellung und zum Treffen von Vorhersagen bereit ist.

Erstellen eines neuen Experiments

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

  2. Geben Sie einen Namen für Ihr Experiment ein, zum Beispiel Kundenabwanderung – Tutorial.

  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 Trainings-Datensatzdatei aus. Dies ist eine der folgenden Dateien, je nachdem, ob Sie mit CSV oder QVD arbeiten:

    • AutoML Tutorial - Churn data - train.csv

    • AutoML Tutorial - Churn data - train.qvd

Überprüfen der Daten

Jetzt können Sie mit der Experimentkonfiguration beginnen. Schauen wir uns aber zunächst den Datensatz an.

Wir beginnen auf der Registerkarte Daten. Die Standardansicht ist die Tabellenzeilen Schemaansicht. Hier sehen wir eine Tabelle, in der jede Zeile eine Spalte in Ihrem Datensatz darstellt. Bei der automatischen Datenvorbereitung wurden Statistiken und Einblicke generiert. Möglicherweise müssen Sie im Schema nach rechts scrollen, um die Einblicke anzuzeigen.

Wir sehen, dass AccountID wegen zu hoher Kardinalität ausgeschlossen wurde. Das bedeutet, dass die Spalte zu viele eindeutige Werte enthält. Das Feature Country wurde aus dem entgegengesetzten Grund ausgeschlossen: Der Wert ist für alle Zeilen gleich. Diese beiden Features würden keinen Wert für Modelle für maschinelles Lernen beitragen.

Wir sehen auch, dass auf das kategoriale Feature Territory Impact Encoding angewendet wurde. Halten Sie den Mauszeiger über das Warnsymbol Warndreieck und über das Info-Symbol Warndreieck, um weitere Informationen zu erhalten.

Schemaansicht für Trainingsdatensatz in Qlik AutoML

Tabellenspalte mit Einblicken zu Features.

Klicken Sie auf Datenansicht Datenansicht. In dieser Ansicht sehen wir weitere Informationen zu den einzelnen Spalten, darunter auch Beispieldaten.

Datenansicht

Datenansicht in Experimentkonfiguration.

Auswählen eines Ziels

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

  1. Wechseln Sie zurück zur Tabellenzeilen Schemaansicht.

  2. Halten Sie den Mauszeiger über Churned und klicken Sie auf das angezeigte Symbol Ziel.

Eine Zeile in der Schemaansicht wird als Ziel ausgewählt

Tabellenzeile für das ausgewählte Ziel.

Im Fensterbereich der Experimentkonfiguration sehen wir jetzt, dass Churned ausgewählt wurde. Wir können auch sehen, welche Features automatisch ausgewählt und ausgeschlossen wurden. Da Churned das Ziel ist, wird es nicht als Feature verwendet. Wir können auch sehen, dass dieses Experiment als Binärklassifikationsaufgabe behandelt wird.

Angezeigte Informationen im Fenster Experimentkonfiguration

Fensterbereich der Experimentkonfiguration mit ausgewähltem Ziel und Standardfeatureauswahl

Auswählen von Features

Für diese erste Ausführung unseres Experiments schließen wir alle Features und Algorithmen ein, die standardmäßig ausgewählt wurden. Wenn Sie aber aufgrund Ihrer geschäftlichen Kenntnisse bereits wissen, dass bestimmte Features keinen Einfluss auf das Ziel haben, können Sie sie an dieser Stelle deaktivieren, um sie aus dem Training auszuschließen.

Ändern der Optimierungseinstellungen

Die intelligente Modelloptimierung ist standardmäßig aktiviert. Mit intelligenter Modelloptimierung stellt AutoML automatische Verfeinerung des Modelltrainings bereit. In diesem Tutorial soll jedoch gezeigt werden, wie Sie bestimmte Probleme mit Ihren Featuredaten und Trainingsergebnissen manuell identifizieren.

Ein Beispiel zum Trainieren von Modellen mit intelligenter Modelloptimierung finden Sie unter Beispiel – Trainingsmodelle mit automatisiertem maschinellen Lernen.

Wir wollen nun die intelligente Modelloptimierung deaktivieren, um eine manuelle Verfeinerung zu demonstrieren.

  1. Erweitern Sie im Fensterbereich der Experimentkonfiguration den Abschnitt Modelloptimierung.

  2. Wechseln Sie von Intelligent zu Manuell.

Wechsel auf manuelle Optimierung im Fensterbereich Experimentkonfiguration

Fensterbereich der Experimentkonfiguration mit deaktivierter intelligenter Modelloptimierung

Trainieren des Experiments

Die Konfiguration ist abgeschlossen, und wir können mit dem Training beginnen.

  • Klicken Sie unten rechts auf Experiment ausführen.

Wenn die Ausführung des Experiments abgeschlossen ist, können wir zum nächsten Schritt weitergehen, der Prüfung der erhaltenen Modellmetriken.

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!