Affinement des modèles

Une fois que vous avez créé des modèles initiaux, il est important de les affiner pour augmenter leur efficacité et leur exactitude potentielle. Les scores du modèle indiquent différentes mesures de ses performances. Même si l'objectif de l'affinement des modèles est d'augmenter ces scores, un score supérieur n'indique pas toujours que le modèle est meilleur.

En excluant ou en incluant des caractéristiques et en modifiant d'autres paramètres de configuration, vous pouvez comparer différentes versions de modèle pour voir les effets de vos modifications.

En interprétant les scores, vous apprendrez à affiner le modèle. Les valeurs des différentes métriques peuvent vous fournir des informations sur les actions à entreprendre pour améliorer le résultat.

Amélioration de l'ensemble de données

Si votre modèle n'est pas performant, vous pouvez examiner l'ensemble de données pour en résoudre les problèmes. Vous en saurez plus sur l'amélioration de l'ensemble de données à la section Préparation de votre ensemble de données à l'apprentissage.

Exclusion de caractéristiques

Ce n'est pas parce que le modèle contient plus de caractéristiques qu'il est forcément meilleur. Pour affiner le modèle, excluez les caractéristiques peu fiables ou inintéressantes telles que les suivantes :

• Caractéristiques affichant une corrélation trop forte. Si vous avez deux caractéristiques corrélées, excluez celle la moins prononcée (la moins importante).

• Caractéristiques trop peu prononcées (trop peu importantes). Ces caractéristiques n'ont aucune influence sur ce que vous essayez de découvrir.

• Caractéristiques trop prononcées (trop importantes). Cela peut être dû à une fuite de données.

Essayez de supprimer la caractéristique des données d'apprentissage, puis exécutez de nouveau l'apprentissage pour voir si cela améliore le modèle. Cela fait-il une grosse différence ou cela ne fait-il aucune différence pour le score du modèle ?

Procédez comme suit :

1. Ouvrez une expérimentation dans Catalogue.

2. Sélectionnez le modèle à affiner.

3. Dans le coin inférieur droit, cliquez sur Configurer v2 pour ouvrir le volet Configuration de l'expérimentation.

   (Le texte du bouton dépend du nombre de versions que vous avez exécutées.)

4. Sous Caractéristiques, décochez les cases des caractéristiques que vous ne souhaitez pas utiliser dans l'apprentissage.

Ajout de caractéristiques

Si votre modèle n'est toujours pas performant, cela peut être dû au fait que les caractéristiques qui ont une relation avec la cible ne sont pas encore capturées dans l'ensemble de données. Vous en saurez plus sur la capture ou l'ingénierie de nouvelles caractéristiques à la section Création de nouvelles colonnes de caractéristiques.

Sélection d'algorithmes

Les algorithmes appropriés sont automatiquement sélectionnés pour l'apprentissage en fonction du type de données de votre colonne cible. Vous pouvez exclure les algorithmes peu performants ou plus lents. Ainsi, vous ne perdez pas de temps avec eux lors de l'apprentissage.

Pour plus d'informations sur la sélection des algorithmes, voir la section Algorithmes.

Procédez comme suit :

1. Ouvrez une expérimentation dans Catalogue.

2. Sélectionnez le modèle à affiner.

3. Dans le coin inférieur droit, cliquez sur Configurer v2 pour ouvrir le volet Configuration de l'expérimentation.

   (Le texte du bouton dépend du nombre de versions que vous avez exécutées.)

4. Sous Algorithmes, décochez les cases des algorithmes que vous ne souhaitez pas utiliser dans l'apprentissage.

Comparaison de versions de l'expérimentation

Une fois les modifications apportées, exécutez de nouveau l'apprentissage et comparez la nouvelle version à l'ancienne pour voir l'effet de vos modifications.

Procédez comme suit :

1. Cliquez sur Exécuter v2 dans le coin inférieur droit de l'écran pour former une autre version d'expérimentation.

   (Le texte du bouton dépend du nombre de versions que vous avez exécutées.)

2. Dans le tableau Métriques du modèle, vous pouvez filtrer les modèles via les menus déroulants des algorithmes, des versions et d'autres propriétés. Vous pouvez également trier le tableau en fonction de colonnes de métriques individuelles.

Suppression de versions d'expérimentation

Vous pouvez supprimer les versions de l'expérimentation que vous ne souhaitez pas conserver. Notez que tous les modèles des versions d'expérimentation seront eux aussi définitivement supprimés.

Procédez comme suit :

1. Dans le tableau Métriques du modèle, sélectionnez un modèle dont vous souhaitez supprimer la version d'expérimentation.

2. Dans le coin inférieur droit, cliquez sur Supprimer 1 version.

3. Dans la boîte de dialogue de confirmation, cliquez sur Supprimer.