Analyse de modèles
Qlik Predict offre une riche expérience visuelle pour analyser les modèles dont vous effectuez l'apprentissage dans votre expérimentation. Vous pouvez analyser des métriques de modèles clés via une simple interface qui inclut des recommandations, des visualisations et des résumés automatiquement générés. Pour une analyse et des comparaisons plus détaillées, vous pouvez utiliser l'analyse intégrée.
Avant de commencer
Avant d'analyser des modèles, il peut être utile d'avoir une compréhension basique des concepts d'examen des modèles. Cela inclut les scores des modèles, l'importance des caractéristiques et les algorithmes.
Pour plus d'informations, consultez Familiarisation avec les concepts d'examen d'un modèle.
Analyse rapide
Grâce à l'analyse rapide, vous pouvez rapidement comprendre comment s'est passé l'apprentissage des modèles et connaître rapidement la qualité des modèles obtenus. Vous pouvez également examiner les modèles qui vous sont recommandés en fonction des exigences communes.
Avant d'approfondir l'analyse, il est recommandé d'ouvrir l'onglet Données pour voir comment les données d'apprentissage ont été traitées. Cela peut être important, car il se peut que des caractéristiques aient été identifiées comme inutilisables dans la version.
Ouvrez l'onglet Modèles de l'expérimentation pour une vue d'ensemble des résultats d'apprentissage. Vous pouvez comparer rapidement les modèles et identifier les meilleurs résultats. Les informations que vous voyez dans cet onglet dépendent de l'utilisation ou non de l'optimisation de modèle Intelligente ainsi que du type de problème de votre expérimentation.
Pour plus d'informations, consultez :
Comparaison de modèles
Utilisez l'analyse intégrée pour effectuer une comparaison interactive approfondie de vos modèles. Vous pouvez effectuer ces comparaisons dans l'onglet Comparer.
Lors de la comparaison de modèles, vous pouvez effectuer les opérations suivantes :
-
Comparez l'ensemble des métriques de modèle disponibles de tous les modèles.
-
Affichez et comparez les scores d'apprentissage et de rétention de tous les modèles.
-
Comparez les valeurs des hyperparamètres de tous les modèles.
Pour un guide complet, consultez Comparaison des modèles.
Analyse détaillée
Dans l’onglet Analyser de l'expérimentation, effectuez une analyse détaillée d'un modèle spécifique. L'analyse détaillée est effectuée à l'aide de l'analyse intégrée. Vous pouvez filtrer interactivement les données pour mieux comprendre les performances des modèles de groupes de données spécifiques.
Grâce à l'analyse de modèles détaillée, vous pouvez identifier les problèmes causés par les données d'apprentissage et en savoir plus sur les points forts et les points faibles d'un modèle.
Pour un guide complet, consultez Réalisation d'une analyse de modèle détaillée.
Téléchargement de rapports d'apprentissage
Pour des informations plus détaillées, vous pouvez télécharger les rapports d'apprentissage des modèles de votre expérimentation. Un rapport d'apprentissage fournit un résumé approfondi de la façon dont l'apprentissage d'un modèle a été effectué, en fournissant des détails complets sur le prétraitement, les transformations de caractéristiques, les versions d'expérimentation et les métriques du modèle. Les rapports d'apprentissage sont exportés directement sur votre poste local.
Pour plus d'informations, consultez Téléchargement de rapports d'apprentissage ML.
Étapes suivantes
Les étapes suivantes peuvent dépendre de la manière dont vous optimisez vos modèles.
L'optimisation de modèle intelligente crée idéalement un modèle prêt à être déployé avec un minimum d'affinement ou aucun autre affinement. La qualité des modèles dépend tout de même également de la qualité de vos données d'apprentissage, de la configuration de l'expérimentation et de toutes les exigences spécifiques à votre cas d'utilisation prédictif. Après avoir analysé les modèles et résolu tous les autres problèmes de qualité des données ou de configuration de l'expérimentation, vous êtes prêt à déployer le modèle le mieux adapté à vos besoins.
Si vous identifiez d'autres problèmes après avoir exécuté l'optimisation de modèle intelligente, ou si vous avez désactivé l'optimisation de modèle intelligente dès le début, vous pouvez configurer manuellement de nouvelles versions de l'expérimentation pour améliorer les modèles obtenus.
Parmi les exemples d'étapes d'affinement figurent les suivants :
-
Activation de l'optimisation intelligente après avoir démarré sans elle.
-
Désactivation de l'optimisation intelligente après avoir exécuté une version avec elle. Cela vous permet d'apporter des ajustements à la configuration selon les besoins.
-
Modification ou actualisation des données d'apprentissage.
-
Modification des caractéristiques incluses.
-
Modification du traitement des données des caractéristiques (par exemple, en changeant le type de caractéristique d'une caractéristique).
Une fois que vous avez obtenu les résultats escomptés, déployez un ou plusieurs modèles. Pour plus d'informations, consultez :