Revisar los modelos
Para evaluar sus modelos de aprendizaje automático debe entender las puntuaciones y las métricas de los modelos. 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 Predict, las métricas de modelos se clasifican generalmente como:
-
Puntuaciones del modelo
-
Métricas de importancia de las características
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 Predict para evaluar los resultados del entrenamiento. Puede cambiar entre las distintas pestañas de la interfaz del experimento para hacer lo siguiente:
-
Revisar los modelos recomendados
-
Inspeccionar los datos de entrenamiento para ver cómo se preprocesaron durante el entrenamiento
-
Vea un resumen de cómo Qlik Predict optimizó sus modelos modificando la selección de características
-
Realizar un análisis de alto nivel de las métricas básicas de modelos
-
Profundizar con una comparación y análisis en profundidad de los distintos modelos
Para obtener todos los detalles, consulte las siguientes guías:
Paso 3: Perfeccionar los modelos según lo que se necesite
Tras haber analizado los modelos, es posible que desee implementar uno de los modelos recomendados de mayor rendimiento. Si necesita afinar aún más, puede crear versiones posteriores 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 disponga de un conjunto de datos bien preparado, las recomendaciones deberían estar listas, o casi listas, 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 su modelo preferido.