Analisi dei modelli
Qlik Predict fornisce un'esperienza visiva completa per l'analisi dei modelli addestrati nell'esperimento. È possibile analizzare le metriche chiave del modello, che utilizzano un'interfaccia semplice che include consigli, riepiloghi e visualizzazioni generati automaticamente. Per un'analisi e un confronto più dettagliati, è possibile utilizzare le analisi integrate.
Prima di iniziare
Prima di analizzare i modelli, può essere utile avere una comprensione basica dei concetti di verifica del modello. Questa include i punteggi del modello, l'importanza della funzione e gli algoritmi.
Per informazioni, vedere Nozioni sui concetti per la verifica dei modelli.
Analisi rapida
Con l'analisi rapida, è possibile comprendere rapidamente com'è andato l'addestramento del modello, oltre alla qualità dei modelli risultanti. È possibile anche verificare quali modelli sono consigliati in base ai requisiti comuni.
Prima di approfondire l'analisi, si consiglia di aprire la scheda Dati per visualizzare come sono stati gestiti i dati dell'addestramento. Questo può essere importante, perché si può scoprire che le funzioni non sono utilizzabili nella versione.
Aprire la scheda Modelli nell'esperimento per una panoramica dei risultati dell'addestramento. È possibile confrontare rapidamente i modelli e identificare quelli più performanti. Le informazioni visualizzate in questa scheda variano a seconda se si utilizza l'ottimizzazione intelligente del modello , oltre al tipo di problema per l'esperimento.
Per ulteriori informazioni, vedere:
Confronto modelli
Utilizzare le analisi integrate per effettuare il confronto approfondito e interattivo dei modelli. È possibile effettuare questi confronti nella scheda Confronta.
Durante il confronto dei modelli, è possibile fare quanto segue:
-
Confrontare tutte le metriche del modello per tutti i modelli.
-
Visualizzare e confrontare i punteggi di addestramento e controllo automatico per tutti i modelli.
-
Confrontare i valori degli iperparametri per tutti i modelli.
Per una guida completa, vedere Confronto dei modelli.
Analisi dettagliata
Nella scheda Analizza dell'esperimento, eseguire un'analisi dettagliata per un modello specifico. Le analisi dettagliate vengono eseguite utilizzando le analisi integrate. È possibile filtrare in modo interattivo i dati per ottenere una migliore comprensione delle prestazioni del modello per cluster di dati specifici.
Con l'analisi dettagliata del modello, è possibile identificare i problemi causati dai dati di addestramento e scoprire di più sui punti di forza e debolezza del modello.
Per una guida completa, vedere Esecuzione di analisi dettagliate dei modelli.
Download dei report di addestramento
Per ulteriori dettagli, è possibile scaricare i report di addestramento per i modelli dell'esperimento. Un report di addestramento fornisce un riepilogo approfondito di come è stato addestrato un modello, e fornisce dettagli completi sulla preelaborazione, sulle trasformazioni delle funzionalità, sulle versioni dell'esperimento e sulle metriche del modello. I report di addestramento vengono esportati direttamente sul proprio computer locale.
Per ulteriori informazioni, vedere Download dei report di addestramento di ML.
Passaggi successivi
I passaggi successivi possono dipendere da come si ottimizzano i modelli.
L'ottimizzazione intelligente del modello teoricamente crea un modello pronto per la distribuzione con un minimo o nessun affinamento. La qualità dei modelli continua a dipendere da qualità dei dati di addestramento, configurazione dell'esperimento e qualsiasi requisito specifico per il proprio caso d'uso predittivo. Dopo aver analizzato i modelli e aver risolto qualsiasi problema con la qualità dei dati o la configurazione dell'esperimento, si può iniziare a distribuire il modello che si adatta meglio ai propri requisiti.
Se si identificano ulteriori problemi dopo aver eseguito l'ottimizzazione intelligente del modello, o se si è disattivata l'ottimizzazione intelligente del modello sin dall'inizio, è possibile configurare manualmente nuove versioni dell'esperimento per migliorare i modelli risultanti.
Gli esempi delle fasi di affinamento includono:
-
Attivazione dell'ottimizzazione intelligente dopo aver iniziato senza utilizzarla.
-
Disattivazione dell'ottimizzazione intelligente dopo aver eseguito una versione utilizzandola. Questo consente di apportare regolazioni alla configurazione in base alle esigenze.
-
Modifica o aggiornamento dei dati di addestramento.
-
Modifica delle funzioni incluse.
-
Modifica della gestione dei dati della funzione (per esempio, la modifica del tipo di una funzione).
Quando si raggiungono i risultati desiderati, distribuire uno o più modelli. Per ulteriori informazioni, vedere: