Analisi dei modelli
Qlik Predict offre una ricca esperienza visiva per analizzare i modelli addestrati nel proprio esperimento. È possibile analizzare le metriche chiave del modello utilizzando un'interfaccia semplice che include raccomandazioni, riepiloghi e visualizzazioni generati automaticamente. Per analisi e confronti più dettagliati, è possibile utilizzare l'analisi integrata.
Prima di iniziare
Prima di analizzare i modelli, può essere utile avere una comprensione di base dei concetti di revisione del modello. Ciò include i punteggi del modello, l'importanza delle funzionalità e gli algoritmi.
Per informazioni, vedere Nozioni sui concetti per la verifica dei modelli.
Analisi rapida
Con l'analisi rapida, è possibile comprendere rapidamente come è andato l'addestramento del modello e la qualità dei modelli risultanti. È inoltre possibile verificare quali modelli sono consigliati in base ai requisiti comuni.
Prima di immergersi nell'analisi, si consiglia di aprire la scheda Dati di addestramento per vedere come sono stati gestiti i dati di addestramento. Questo può essere importante, poiché alcune funzionalità potrebbero essere risultate inutilizzabili nella versione.
Aprire la scheda Modelli nell'esperimento per una panoramica dei risultati dell'addestramento. È possibile confrontare rapidamente i modelli e identificare quelli con le prestazioni migliori. Le informazioni visualizzate in questa scheda dipendono dall'utilizzo dell'ottimizzazione del modello Intelligente, nonché dal tipo di problema per l'esperimento.
Per ulteriori informazioni, vedere:
Confronto dei modelli
Utilizzare l'analisi integrata per eseguire un confronto interattivo e approfondito dei modelli. È possibile eseguire questi confronti nella scheda Confronta.
Durante il confronto dei modelli, è possibile:
-
Confrontare tutte le metriche del modello disponibili per tutti i modelli.
-
Visualizzare e confrontare i punteggi di addestramento e di holdout per tutti i modelli.
-
Confrontare i valori degli iperparametri in tutti i modelli.
For a comprehensive guide, see Confronto dei modelli.
Analisi dettagliata
Nella scheda Analizza dell'esperimento, eseguire l'analisi dettagliata di un modello specifico. L'analisi dettagliata viene eseguita con l'analisi integrata. È possibile filtrare i dati in modo interattivo per comprendere meglio le 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 saperne di più sui punti di forza e di debolezza di un 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 nel proprio esperimento. Un report di addestramento fornisce un riepilogo approfondito di come è stato addestrato un modello, fornendo dettagli completi su preelaborazione, trasformazioni delle funzionalità, controllo delle versioni dell'esperimento e metriche del modello. I report di addestramento vengono esportati direttamente sul computer locale.
Per più informazioni, vedere Download dei report di addestramento di ML.
Passaggi successivi
I passaggi successivi possono dipendere da come si stanno ottimizzando i modelli.
L'ottimizzazione intelligente del modello crea idealmente un modello pronto per essere distribuito con un perfezionamento minimo o nullo. La qualità dei modelli dipende comunque dalla qualità dei dati di addestramento, dalla configurazione dell'esperimento e da eventuali requisiti specifici per il proprio caso d'uso predittivo. Dopo aver analizzato i modelli e risolto qualsiasi altro problema relativo alla qualità dei dati o alla configurazione dell'esperimento, si è pronti a distribuire il modello più adatto 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 fin dall'inizio, è possibile configurare manualmente nuove versioni dell'esperimento per migliorare i modelli risultanti.
Esempi di passaggi di perfezionamento includono:
-
Attivare l'ottimizzazione intelligente dopo aver iniziato senza di essa.
-
Disattivare l'ottimizzazione intelligente dopo aver eseguito una versione con essa. Ciò consente di apportare modifiche alla configurazione in base alle esigenze.
-
Modificare o aggiornare i dati di addestramento.
-
Modificare le funzionalità incluse.
-
Modificare la gestione dei dati delle funzionalità (ad esempio, modificando il tipo di funzionalità di una funzionalità).
Una volta ottenuti i risultati desiderati, distribuire uno o più modelli. Per ulteriori informazioni, vedere: