Comparaison des modèles

Dans l'onglet Comparer de l'expérimentation, vous pouvez voir tous les scores des modèles et tous les hyperparamètres des modèles dont vous effectuez l'apprentissage. Comparez des modèles à l'aide d'une analyse intégrée.

Une fois l'apprentissage terminé, effectuez une analyse comparative des modèles dans l'onglet Comparer. Une fois que vous avez fini de comparer vos modèles, vous pouvez accéder à l'onglet Analyser pour analyser en détail des modèles individuels. Pour plus d'informations, consultez Réalisation d'une analyse de modèle détaillée.

Flux de travail d'une analyse

Pour comprendre parfaitement les résultats de l'apprentissage d'un modèle, il est recommandé d'effectuer une analyse rapide, puis de passer aux options supplémentaires des onglets Comparer et Analyser. L'analyse rapide fournit un Résumé de l'apprentissage du modèle affichant les caractéristiques qui ont été exclues lors du processus d'optimisation intelligente, ainsi qu'un certain nombre de visualisations automatiquement générées à des fins de consommation rapide. Les onglets Comparer et Analyser n'affichent pas le Résumé de l'apprentissage du modèle, mais il vous permet d'analyser plus en profondeur les métriques des modèles pour mieux comprendre la qualité de vos modèles. Pour plus d'informations sur l'analyse rapide, consultez Réalisation d'une analyse de modèle rapide.

Familiarisation avec les concepts

Il peut être utile d'avoir une compréhension basique des concepts sous-jacents à l'analyse de modèles avant de commencer à comparer des modèles. Pour plus d'informations, consultez Familiarisation avec les concepts d'examen d'un modèle.

Impact des paramètres d'optimisation sur l'analyse

Votre expérience d'analyse peut être légèrement différente suivant que vous avez ou non utilisé l'optimisation de modèle intelligente. L'optimisation de modèle intelligente est activée par défaut pour les nouvelles expérimentations.

Analyse de modèles formés avec l'optimisation intelligente

Par défaut, les nouvelles expérimentations sont exécutées avec l'optimisation de modèle intelligente.

L'optimisation de modèle intelligente fournit un processus d'apprentissage plus robuste qui crée idéalement un modèle prêt à être déployé avec peu d'affinement ou aucun autre affinement. Les performances de ces modèles lors de leur déploiement dans des cas d'utilisation en production dépendent tout de même encore de la qualité du jeu de données avec lequel ils sont formés, qui doivent inclure des caractéristiques et données appropriées.

Si votre version a été formée avec l'optimisation de modèle intelligente, tenez compte des points suivants :

• Chaque modèle de la version peut avoir une sélection de caractéristiques différente suivant la manière dont l'algorithme a analysé les données.

• Dans l'onglet Modèles, lisez le Résumé de l'apprentissage du modèle du modèle en question avant de vous plonger davantage dans l'analyse spécifique. Le Résumé de l'apprentissage du modèle présente un résumé de la manière dont AutoML a automatiquement optimisé le modèle via l'itération de la sélection de caractéristiques et l'application de transformations avancées.

Pour plus d'informations sur l'optimisation de modèle intelligente, consultez Optimisation de modèle intelligente.

Analyse de modèles formés sans optimisation intelligente

Sinon, vous avez peut-être désactivé l'optimisation de modèle intelligente pour la version de l'apprentissage. L'optimisation manuelle des modèles peut être utile si vous avez besoin de plus de contrôle sur le processus d'apprentissage.

Si vous avez utilisé l'optimisation manuelle, tous les modèles de la version auront la même sélection de caractéristiques et le Résumé de l'apprentissage du modèle n'est dans ce cas pas nécessaire.

Inspection de la configuration

Lors du prétraitement, il se peut que des caractéristiques aient été exclues de l'utilisation lors de l'apprentissage. Cela se produit généralement parce que davantage d'informations sont découvertes sur les données à mesure de la progression de l'apprentissage alors qu'elles n'étaient pas connues avant l'exécution de la version.

Après examen du Résumé de l'apprentissage du modèle (affiché uniquement avec l'optimisation intelligente), vous pouvez vous pencher davantage sur la configuration de l'expérimentation si vous devez vérifier ces autres modifications.

Procédez comme suit :

1. Dans l'expérimentation, accédez à l'onglet Données.

2. Vérifiez que vous êtes bien dans la Vue Schéma.

3. Utilisez le menu déroulant de la barre d'outils pour sélectionner un modèle de la version.

4. Analysez le schéma du modèle. Vous souhaiterez peut-être vous concentrer sur les colonnes Informations etType de caractéristique pour voir si certaines caractéristiques sont exclues ou ont été transformées en un autre type de caractéristique.

   Par exemple, il est possible qu'une caractéristique initialement marquée comme Texte libre possible ait été exclue après l'exécution de la version.

   Pour plus d'informations sur la signification de chacune des informations analytiques, consultez Interprétation des informations analytiques d'un jeu de données.

Notez que si vous avez exécuté la version avec l'option d'optimisation intelligente par défaut, chaque modèle de la version peut avoir une sélection de caractéristiques différente en raison de l'affinement automatique. Si la version a été exécutée sans optimisation intelligente, la sélection de caractéristiques sera la même pour tous les modèles de la version. Pour plus d'informations sur l'optimisation de modèle intelligente, consultez Optimisation de modèle intelligente.

Suivant ce que vous trouvez dans cette configuration, vous devrez peut-être revenir à la phage de préparation de l'ensemble de données pour améliorer les données de vos caractéristiques.

Lancement d'une comparaison de modèles

Procédez comme suit :

• Une fois l'apprentissage terminé, ouvrez l'onglet Comparer.

Le contenu analytique dépend du type de modèle tel que défini par la cible de l'expérimentation. Suivant le type de modèle, des métriques différentes seront disponibles.

Navigation dans l'analyse intégrée

Utilisez l'interface pour comparer interactivement des modèles à l'aide de l'analyse intégrée.

Passage d'une feuille à une autre

Le panneau Feuilles vous permet de passer d'une feuille à une autre dans l'analyse. Chaque feuille a un focus spécifique. Le panneau peut être développé et réduit selon les besoins.

Procédure de sélection

Utilisez des sélections pour affiner les données. Vous pouvez sélectionner des modèles, des caractéristiques et d'autres paramètres. Cela vous permet de vous pencher davantage sur les détails de l'apprentissage. Dans certains cas, vous devrez peut-être effectuer une ou plusieurs sélections pour pouvoir afficher des visualisations. Cliquez sur les valeurs des données des visualisations et volets de filtre pour effectuer des sélections.

En matière de sélections, vous pouvez effectuer les opérations suivantes :

• Sélectionnez des valeurs en cliquant sur du contenu, en définissant des plages et en utilisant la fonction de tracé.

• Effectuez des recherches dans des graphiques pour sélectionner des valeurs.

• Cliquez sur un champ sélectionné dans la barre d'outils en haut de l'analyse intégrée. Cela vous permet d'effectuer des recherches dans des sélections existantes, de les verrouiller ou de les déverrouiller et de les modifier davantage.

• Dans la barre d'outils en haut de l'analyse intégrée, cliquez sur pour supprimer une sélection. Effacez toutes les sélections en cliquant sur l'icône .

• Avancez ou reculez dans vos sélections en cliquant sur et sur .

Les analyses contiennent des volets de filtre qui facilitent l'affinement des données. Dans un volet de filtre, cochez la case d'une valeur pour la sélectionner. Si le volet de filtre contient plusieurs zones de liste, cliquez sur une zone de liste pour la développer, puis effectuez les sélections de votre choix.

Personnalisation des tableaux

Les visualisations sous forme de tableau vous permettent de personnaliser l'aspect ainsi que les colonnes affichées. Pour personnaliser les tableaux, vous pouvez utiliser les options suivantes :

• Ajustez la largeur d'une colonne en cliquant sur le bord externe de la colonne et en le faisant glisser.

• Cliquez sur l'en-tête d'une colonne pour :

  • ajuster le tri de la colonne ;

  • rechercher des valeurs dans la colonne ;

  • appliquer des sélections.

Chargement de données

Cliquez sur Charger les données pour actualiser l'analyse à l'aide des données d'apprentissage les plus récentes. Si vous ou d'autres utilisateurs exécutez des versions supplémentaires de l'apprentissage après avoir ouvert l'analyse, vous devrez actualiser les données pour voir ces versions plus récentes.

Exportation de données dans le catalogue

Vous pouvez exporter dans le catalogue les données utilisées dans l'analyse comparative de modèles. Les données sont exportées dans un espace dans Qlik Cloud Analytics. Vous pouvez utiliser les données exportées pour créer vos propres applications Qlik Sense à des fins d'analyse personnalisée.

Pour plus d'informations, consultez Exportation des données d'apprentissage d'un modèle.

Classement des modèles en fonction de métriques spécifiques

La feuille Comparaison de modèles contient des graphiques interactifs qui permettent de comparer les modèles les uns aux autres en fonction des métriques spécifiées. Utilisez les volets de filtre sous chaque graphique pour visualiser différentes métriques. Utilisez cette personnalisation pour voir les métriques les plus importantes pour votre cas d'utilisation prédictif.

Comparaison des scores et des valeurs des hyperparamètres des modèles

Sur la feuille Détails, les scores et les hyperparamètres des modèles sont affichés au format tabulaire. À l'aide des volets de filtre sur le côté gauche de la feuille, ajoutez et retirez des modèles et des métriques selon les besoins.

Comparaison entre scores de rétention et scores d'apprentissage

La feuille Détails indique les métriques basés sur les données de rétention automatiques (données utilisées pour valider les performances du modèle après l'apprentissage). Vous pouvez également ajouter les métriques des données d'apprentissage au tableau Métriques des modèles à des fins de comparaison avec les scores de rétention. Ces scores seront souvent similaires, mais, s'ils varient considérablement, il est probable qu'il y ait un problème de fuite de données ou de surapprentissage.

Procédez comme suit :

1. Dans l'onglet Comparer, ouvrez la feuille Détails.

2. Dans la section Colonnes à afficher sur le côté gauche de la feuille, développez le volet de filtre Métriques.

3. Cochez et décochez les cases pour modifier les colonnes selon les besoins. Les métriques des données d'apprentissage peuvent être ajoutées sous forme de colonnes.

Les colonnes sont ajoutées au tableau Métriques des modèles.