Revisione dei modelli
Per valutare i propri modelli di machine learning, è necessario essere in grado di dare un senso ai punteggi e alle metriche del modello. In alcuni casi, capire come ogni campo e valore influenzi il risultato previsto - perché qualcosa accade - potrebbe essere più importante che fare previsioni.
Flusso di lavoro
Quando si verificano i modelli, per ottenere i migliori risultati completare il seguente flusso di lavoro suddiviso in passaggi.
Passaggio 1: comprensione dei concetti
Può essere utile avere una comprensione di base dei concetti fondamentali prima di iniziare la verifica delle metriche del modello. In Qlik AutoML, le metriche del modello in genere sono classificate nei seguenti modi:
-
Punteggi del modello
-
Importanza metriche della funzione
Inoltre, è disponibile una serie di algoritmi differenti per addestrare i modelli. Per ulteriori informazioni, vedere Nozioni sugli algoritmi dei modelli.
Passaggio 2: utilizzare l'interfaccia per eseguire l'analisi
Per il passaggio successivo si utilizza Qlik AutoML per valutare i risultati dell'addestramento. È possibile passare tra le diverse schede nell'interfaccia dell'esperimento per eseguire le seguenti azioni:
-
Esaminare i dati di addestramento per visualizzare come sono stati pre-laborati durante l'addestramento
-
Visualizzare un riepilogo di come AutoML ha ottimizzato i modelli modificando la selezione delle funzioni
-
Eseguire analisi di alto livello delle metriche fondamentali del modello
-
Eseguire il confronto e l'analisi dettagliati di modelli individuali
Per maggiori dettagli, consultare le seguenti guide:
Passaggio 3: affinare i modelli in base alle esigenze
Una volta analizzati i modelli, è possibile affinarli per migliorare i risultati.
L'ottimizzazione intelligente del modello è attiva per impostazione predefinita negli esperimenti. Questa funzionalità affina automaticamente i modelli escludendo le funzioni che possono avere un impatto negativo sulle prestazioni del modello. Supponendo di disporre di un set di dati preparato in modo adeguato, il risultato dovrebbe essere pronto, o quasi, per la distribuzione.
In alternativa, è possibile iniziare l'addestramento senza l'ottimizzazione intelligente o disattivarla dopo averla utilizzata per eseguire una o più versioni. Queste procedure sono utili se si desidera avere un maggiore controllo sul processo di addestramento.
Un ulteriore affinamento può essere necessario prima o dopo la distribuzione del modello. Per esempio, potrebbe essere necessario addestrare nuovamente i modelli dopo aver modificato o aggiornato i dati di addestramento.
Per maggiori informazioni su come affinare i modelli, vedere Affinamento dei modelli.
Una volta completato il processo di affinamento, è possibile distribuire il modello migliore.