Optimisation de modèle intelligente

L'optimisation de modèle intelligente permet d'affiner automatiquement les modèles dont vous effectuez l'apprentissage dans une expérimentation. Avec l'optimisation intelligente des modèles, les caractéristiques qui ont un impact négatif sur les performances sont automatiquement exclues de l'apprentissage du modèle. Avec un jeu de données d'apprentissage bien préparé incluant toutes les caractéristiques pertinentes, l'optimisation intelligente des modèles entraînera les modèles prêts au déploiement, dans une seule version.

En quoi consiste l'optimisation de modèle intelligente ?

L'optimisation de modèle intelligente automatise de nombreux aspects du processus d'affinement d'un modèle. L'optimisation de modèle intelligente identifie et retire les caractéristiques qui diminuent le potentiel prédictif d'un modèle.

Utilisation de l'optimisation de modèle intelligente

L'optimisation de modèle intelligente est activée par défaut dans les nouvelles expérimentations ML. Vous pouvez l'activer ou la désactiver pour chaque version de l'expérimentation que vous exécutez.

Une fois que vous avez exécuté une version d'expérimentation avec l'optimisation intelligente activée, vous pouvez consulter les résultats de l'optimisation dans le Résumé de l'apprentissage du modèle. Ce résumé est affiché dans l'onglet Modèles sous Informations relatives au modèle. Survolez les termes soulignés à l'aide du curseur pour afficher une infobulle contenant une description détaillée.

Le Résumé de l'apprentissage du modèle est différent pour chaque modèle dont vous effectuez l'apprentissage dans une version d'expérimentation.

Lors de l'optimisation de modèle intelligente, il est possible qu'une caractéristique soit exclue pour l'une des raisons suivantes :

• Fuite de la cible : la caractéristique est soupçonnée d'être affectée par une fuite de la cible. Les caractéristiques affectées par une fuite de la cible incluent des informations sur la colonne cible que vous tentez de prédire. Par exemple, la caractéristique est directement dérivée de la cible ou inclut des informations qui n'auraient pas été connues au moment de la prédiction. Les caractéristiques qui causent une fuite de la cible peuvent vous donner une mauvaise impression d'assurance quant aux performances du modèle. Dans les prédictions dans le monde réel, elles sont la cause des très mauvaises performances du modèle.

• Importance basse de permutation : la fonction n'a pas beaucoup d'influence, voire aucune, sur les prédictions du modèle. L'exclusion de ces caractéristiques améliore les performances du modèle en réduisant les parasites statistiques.

• Fortement corrélée : la caractéristique est fortement corrélée avec une ou plusieurs autres caractéristiques de l'expérimentation. Les caractéristiques qui sont trop corrélées ne sont pas adaptées pour être utilisées dans des modèles d'apprentissage.

Dans l'onglet Données de l'expérimentation, vous pouvez voir des informations sur les caractéristiques exclues pour chaque modèle. Les Informations font également référence aux caractéristiques exclues en dehors du processus d'optimisation de modèle intelligente. Pour plus de renseignements sur chaque information, consultez Interprétation des informations analytiques d'un jeu de données.

Fonctionnement de l'optimisation de modèle intelligente

Grâce à l'optimisation de modèle intelligente :

• Il est possible d'effectuer l'apprentissage de davantage de modèles qu'avec l'optimisation manuelle. La sélection des caractéristiques s'effectue au niveau du modèle. Cela signifie que, contrairement à l'optimisation manuelle, chaque modèle d'une version peut avoir une sélection de caractéristiques différente.
• Pour l'assurance qualité, l'apprentissage d'un modèle de référence – un modèle dont l'apprentissage est effectué sur l'ensemble de caractéristiques complet que vous avez configuré pour la version – est tout de même effectué. Cela permet de vérifier que l'optimisation intelligente améliore effectivement les scores des modèles.
• Pour les jeux de données d'apprentissage plus volumineux, l'apprentissage des modèles est effectué sur une variété de ratios d'échantillonnage. Cela accélère le processus d'apprentissage. Pour plus d'informations, consultez Échantillonnage des données d'apprentissage.

Échantillonnage des données d'apprentissage

Lorsque vous effectuez l'apprentissage de modèles contenant une grande quantité de données, AutoML utilise l'échantillonnage pour effectuer l'apprentissage des modèles sur une variété de sous-ensembles (ratios d'échantillonnage) du jeu de données d'origine. L'échantillonnage permet d'accélérer le processus d'apprentissage. Au début de l'apprentissage, l'apprentissage des modèles s'effectue sur un petit ratio d'échantillonnage. À mesure que l'apprentissage se poursuit, l'apprentissage des modèles s'effectue progressivement sur des portions plus importantes des données. Pour finir, l'apprentissage des modèles s'effectue sur le jeu de données complet (un ratio d'échantillonnage de 100 %).

Lors de l'analyse des données d'apprentissage du modèle, les modèles dont l'apprentissage a été effectué avec moins de 100 % du jeu de données d'apprentissage sont masqués de certaines vues.

Désactivation de l'optimisation intelligente

Si l'optimisation intelligente est désactivée, vous optimisez l'apprentissage manuellement. L'optimisation manuelle peut être utile si vous avez besoin de plus de contrôle sur le processus d'apprentissage. En particulier, vous pouvez souhaiter exécuter une version avec l'optimisation de modèle intelligente, puis désactiver le paramètre si vous devez apporter quelques petits ajustements manuels.

Procédez comme suit :

1. Dans une expérimentation, cliquez sur Afficher la configuration.

   Le panneau Configuration de l'expérimentation s'ouvre.

2. Si vous avez déjà exécuté au moins une version de l'expérimentation, cliquez sur Nouvelle version.

3. Dans le panneau, développez Optimisation du modèle.

4. Passez de Intelligente à Manuelle.

Considérations

Si vous utilisez l'optimisation de modèle intelligente, tenez compte des points suivants :

• L'utilisation de l'optimisation de modèle intelligente ne garantit pas que votre apprentissage produira des modèles de grande qualité. Les phases de préparation du jeu de données et de configuration de l'expérimentation sont elles aussi essentielles pour produire des modèles fiables. Si votre jeu de données n'est pas bien préparé ou s'il manque des caractéristiques clés à votre configuration, les performances de vos modèles ne sont pas garanties dans des cas d'utilisation en production. Pour plus d'informations sur ces phases, consultez :

  • Préparation de votre ensemble de données à l'apprentissage

  • Configuration d'expérimentations

• Lorsque l'optimisation de modèle intelligente est activée pour une version, chaque modèle de cette version aura un ensemble distinct de caractéristiques incluses. En revanche, tous les modèles d'une version dont l'apprentissage est effectué via l'optimisation manuelle auront le même ensemble de caractéristiques incluses.

• L'optimisation de modèle intelligente utilise uniquement les caractéristiques et algorithmes que vous avez inclus dans la configuration de la version.

Optimisation des hyperparamètres

L'optimisation des hyperparamètres n'est pas disponible lorsque l'optimisation de modèle intelligente est activée. Pour activer l'optimisation des hyperparamètres, vous devez définir l'optimisation de modèle sur Manuelle.

Pour plus d'informations, consultez Optimisation des hyperparamètres.

Exemple

Pour un exemple montrant les avantages de l'optimisation de modèle intelligente, consultez Exemple – Apprentissage de modèles avec l'apprentissage automatique automatisé.