Revisar los modelos
Para evaluar sus modelos de aprendizaje automático debe entender las puntuaciones y métricas del modelo. En algunos casos, comprender cómo cada campo y valor influye en el resultado previsto (por qué sucede algo) puede ser más importante que hacer predicciones.
Flujo de trabajo
Cuando revise los modelos, complete este flujo de trabajo paso a paso para obtener los mejores resultados.
Paso 1: Entender los conceptos
Puede que resulte útil comprender los conceptos subyacentes antes de empezar a analizar las métricas de su modelo. En Qlik AutoML, las métricas del modelo se clasifican generalmente del siguiente modo:
-
Puntuaciones del modelo
-
Métricas de importancia de la característica
Además, hay varios algoritmos diferentes disponibles para entrenar sus modelos. Para obtener más información, consulte Entendimiento de los algoritmos del modelo.
Paso 2: Usar la interfaz para llevar a cabo el análisis
El siguiente paso es utilizar Qlik AutoML para evaluar los resultados del entrenamiento. Puede cambiar entre las distintas pestañas de la interfaz del experimento para hacer lo siguiente:
-
Inspeccionar los datos de entrenamiento para ver cómo se preprocesaron durante el entrenamiento
-
Ver un resumen de cómo AutoML optimizó sus modelos alterando la selección de características
-
Realizar análisis de alto nivel de las métricas básicas del modelo
-
Profundizar con la comparación y el análisis en profundidad de los distintos modelos
Para obtener todos los detalles, consulte las siguientes guías:
Paso 3: Perfeccionar los modelos según las necesidades
Una vez analizados los modelos, puede perfeccionarlos para mejorar los resultados.
La optimización inteligente de modelos está activada de forma predeterminada en su experimento. Esta capacidad perfecciona automáticamente los modelos por usted, excluyendo las características que podrían afectar al rendimiento del modelo. Suponiendo que dispone de un conjunto de datos bien preparado, el resultado debería estar listo, o casi, para su implementación.
También puede iniciar el entrenamiento sin la optimización inteligente, o desactivarla después de ejecutar una o varias versiones con ella. Esto es útil si necesita más control sobre el proceso de entrenamiento.
Podría ser necesario más perfeccionamiento antes o después de la implementación del modelo. Por ejemplo, puede que necesite volver a entrenar los modelos tras cambiar o actualizar los datos de entrenamiento.
Para obtener más información sobre cómo perfeccionar los modelos, consulte Perfeccionamiento de los modelos.
Una vez completado el proceso de perfeccionamiento, estará listo para implementar el mejor modelo.