Examen des modèles
Pour évaluer vos modèles d'apprentissage automatique, vous devez être en mesure de comprendre les scores et les métriques des modèles. Dans certains cas, il peut être plus important de comprendre comment chaque champ et chaque valeur influencent le résultat prédit (pourquoi quelque chose s'est produit) plutôt que de faire des prédictions.
Flux de travail
Lors de l'analyse des résultats, suivez ce flux de travail détaillé pour obtenir des résultats optimaux.
Étape 1 : Familiarisez-vous avec les concepts
Il peut s'avérer utile d'avoir une compréhension basique des concepts sous-jacents avant de commencer à examiner les métriques de vos modèles. Dans Qlik AutoML, les métriques des modèles sont généralement classées comme suit :
-
Scores d'un modèle
-
Métriques d'importance des caractéristiques
Il existe également un certains nombre d'algorithmes différents disponibles pour effectuer l'apprentissage de vos modèles. Pour plus d'informations, consultez Familiarisation avec les algorithmes d'un modèle.
Étape 2 : Utilisez l'interface pour effectuer l'analyse
L'étape suivante consiste à utiliser Qlik AutoML pour évaluer les résultats de l'apprentissage. Vous pouvez passer d'un onglet à un autre dans l'interface d'expérimentation pour effectuer les opérations suivantes :
-
Inspectez les données d'apprentissage pour voir comment elles ont été prétraitées lors de l'apprentissage.
-
Consultez un résumé sur la manière dont AutoML a optimisé vos modèles en modifiant la sélection de caractéristiques.
-
Effectuez une analyse de haut niveau des principales métriques des modèles.
-
Examinez davantage la comparaison et l'analyse approfondies de modèles individuels.
Pour des informations complètes, consultez les guides suivants :
Étape 3 : Affinez les modèles en fonction des besoins
Une fois que vous avez analysé les modèles, vous pouvez les affiner pour améliorer les résultats.
L'optimisation de modèle intelligente est activée par défaut dans votre expérimentation. Cette fonctionnalité affine automatiquement les modèles pour vous en excluant les caractéristiques susceptibles d'avoir un impact sur les performances du modèle. En supposant que votre ensemble de données soit bien préparé, le résultat devrait être prêt ou quasiment prêt à être déployé.
Sinon, vous pouvez démarrer l'apprentissage sans optimisation intelligente ou la désactiver après avoir exécuté une ou plusieurs versions avec elle. Cela s'avère utile si vous avez besoin de plus de contrôle sur le processus d'apprentissage.
Il peut être nécessaire de procéder à un affinement supplémentaire avant ou après le déploiement du modèle. Par exemple, vous devrez peut-être effectuer de nouveau l'apprentissage des modèles après avoir modifié ou actualisé les données d'apprentissage.
Pour mieux savoir comment affiner des modèles, consultez Affinement des modèles.
Une fois que vous avez terminé le processus d'affinement, vous êtes prêt à déployer le meilleur modèle.