# Nozioni sui concetti per la verifica dei modelli

Prima di iniziare ad analizzare i risultati dell'addestramento, può essere utile avere una comprensione di base delle metriche del modello.

Le metriche del modello disponibili possono essere ampiamente separate in due tipi: punteggi del modello e metriche di importanza della funzione. Quando si verificano i modelli, si consiglia di analizzare entrambi i tipi di metriche.

Vi sono anche delle differenze tra il modo in cui ogni algoritmo disponibile addestra i modelli.

## Punteggi del modello

I punteggi del modello indicano l'accuratezza delle previsioni del modello.

[Interpretazione dei punteggi del modello](https://help.qlik.com/it-IT/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-models.htm)

## Importanza funzione

L'importanza della funzione tecnicamente non è un punteggio del modello, ma dovrebbe essere utilizzato in combinazione con i punteggi del modello per valutare la qualità del modello e diagnosticare potenziali problemi. L'importanza della funzione fornisce anche informazioni strategiche sui fattori chiave che influenzano le tendenze nei dati.

[Nozioni sull'importanza delle funzioni](https://help.qlik.com/it-IT/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/feature-importance.htm)

## Algoritmi

Determinati algoritmi funzionano meglio con tipi di problemi specifici. Ogni algoritmo ha i suoi punti di forza e le sue carenze, che dovrebbero essere prese in considerazione quando si verificano i modelli.

[Nozioni sugli algoritmi dei modelli](https://help.qlik.com/it-IT/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/algorithms.htm)