Análisis de modelos
Qlik Predict proporciona una rica experiencia visual para analizar los modelos que entrena en su experimento. Puede analizar las métricas clave de cada modelo mediante una interfaz sencilla que incluye recomendaciones, resúmenes y visualizaciones generadas automáticamente. Para realizar análisis y comparaciones más detalladas, puede utilizar la analítica integrada.
Antes de comenzar:
Antes de analizar los modelos, puede resultar útil contar con una comprensión básica de los conceptos de revisión de modelos. Esto incluye las puntuaciones del modelo, la importancia de las características y los algoritmos.
Si desea información, consulte Comprensión de los conceptos de revisión de modelos.
Análisis rápido
Gracias al análisis rápido, puede obtener rápidamente información sobre cómo ha ido el entrenamiento de modelos y sobre la calidad de los modelos resultantes. También puede revisar qué modelos se le recomiendan en función de los requisitos comunes.
Antes de sumergirse en el análisis, se recomienda abrir la pestaña Datos para ver cómo se han manejado los datos del entrenamiento. Esto puede ser importante, ya que es posible que se hayan encontrado características inutilizables en la versión.
Abra la pestaña Modelos del experimento para obtener una vista general de los resultados del entrenamiento. Podrá comparar rápidamente los modelos e identificar los de mayor rendimiento. La información que vea en esta pestaña depende de si está utilizando la optimización inteligente de modelos, así como del tipo de problema de su experimento.
Para más información, vea:
Comparación de modelos
Utilice la analítica integrada para realizar una comparación interactiva y en profundidad de sus modelos. Puede realizar estas comparaciones en la pestaña Comparar.
Durante la comparación de modelos, puede:
-
Comparar todas las métricas disponibles para todos los modelos.
-
Ver y comparar las puntuaciones de entrenamiento y retención de todos los modelos.
-
Comparar los valores de los hiperparámetros de todos los modelos.
Si desea una guía completa, consulte Comparación de modelos.
Análisis detallado
En la pestaña Analizar del experimento, realice un análisis detallado de un modelo específico. El análisis detallado se lleva a cabo con la analítica integrada. Puede filtrar los datos de forma interactiva a fin de comprender mejor el rendimiento del modelo para grupos específicos de datos.
Con un análisis detallado del modelo, puede identificar los problemas causados por los datos de entrenamiento y conocer mejor los puntos fuertes y débiles de un modelo.
Si desea una guía completa, consulte Realización de análisis detallados de modelos.
Descargar informes de entrenamiento
Para más detalles, puede descargar los informes de entrenamiento de los modelos de su experimento. Un informe de entrenamiento proporciona un resumen en profundidad de cómo se entrenó un modelo, ofreciendo detalles exhaustivos sobre el preprocesamiento, las transformaciones de funciones, el versionado de experimentos y las métricas del modelo. Los informes de entrenamiento se exportan directamente a su máquina local.
Para más información, vea Descargar informes de entrenamiento de ML.
Siguientes pasos
Sus siguientes pasos pueden depender de cómo esté optimizando sus modelos.
La optimización inteligente de modelos crea idealmente un modelo que está listo para implementarse con un mínimo o ningún perfeccionamiento adicional. La calidad de los modelos sigue dependiendo de la calidad de sus datos de entrenamiento, de la configuración del experimento y de cualquier requisito específico de su caso de uso predictivo. Una vez que haya analizado los modelos y solucionado cualquier otro problema relacionado con la calidad de los datos o la configuración de los experimentos, estará listo para implementar el modelo que mejor se adapte a sus necesidades.
Si identifica más problemas tras ejecutar la optimización inteligente de modelos, o si ha desactivado la optimización inteligente de modelos desde el principio, puede configurar manualmente nuevas versiones del experimento para mejorar los modelos resultantes.
Entre los ejemplos de pasos de perfeccionamiento se incluyen:
-
Activación de la optimización inteligente tras empezar sin ella.
-
Desactivación de la optimización inteligente tras ejecutar una versión con ella. Esto le permite realizar ajustes en la configuración según sea necesario.
-
Cambiar o actualizar los datos de entrenamiento.
-
Cambiar las características incluidas.
-
Cambiar el manejo de los datos de características (por ejemplo, cambiar el tipo de característica de una característica).
Cuando haya obtenido los resultados deseados, implemente uno o varios modelos. Para más información, vea: