Experimenten configureren

De configuratie van experimenten bestaat uit het selecteren van het doel en de functies die het model zal gebruiken om het doel te voorspellen. U kunt ook een aantal optionele instellingen configureren.

Om u te ondersteunen bij de selectie van een doel, wordt de historische gegevensset geanalyseerd en worden er samenvattende statistieken weergegeven over elke kolom in de gegevensset. Er worden verschillende automatische voorbewerkingsstappen toegepast op de gegevensset om ervoor te zorgen dat alleen geschikte gegevens worden opgenomen. Voor meer details over de gegevensvoorbereiding, zie Geautomatiseerde voorbereiding en transformatie.

Na het uitvoeren van v1 kunt u indien nodig nieuwe experimentversies maken om de modeltraining verder te verfijnen. Voor meer informatie, zie Modellen verfijnen.

Vereisten en machtigingen

Voor meer informatie over de gebruikersvereisten voor het werken met ML-experimenten, zie Werken met experimenten.

De interface

De volgende secties beschrijven hoe u door de experimentinterface navigeert om uw experiment te configureren. Voor meer informatie over de interface, zie Navigeren door de experimentinterface.

Navigatie met tabbladen

Wanneer u een experiment maakt, wordt het tabblad Configuratie geopend. Hier kunt u het doel en de functies voor het experiment configureren.

Na het uitvoeren van ten minste één experimentversie, wordt het tabblad Configuratie gewijzigd in Trainingsgegevens. Er komen ook andere tabbladen beschikbaar. Op deze andere tabbladen kunt u de modellen analyseren die u zojuist in de versie hebt getraind. Als u volgende versies met andere functieselecties moet configureren, kunt u terugkeren naar het tabblad Trainingsgegevens.

Schemaweergave en Gegevensweergave

Op het tabblad Configuratie/Trainingsgegevens kunt u wisselen tussen Schemaweergave en Gegevensweergave.

Schemaweergave

Schemaweergave is de standaardweergave. In deze weergave wordt elke kolom in uw gegevensset weergegeven door een rij in het schema met informatie en statistieken.

U kunt:

• Functies selecteren om op te nemen in uw experiment.

• Details over elke kolom bekijken, zoals het gegevenstype en het functietype.

• Inzichten over kolommen bekijken, zoals waarom ze niet kunnen worden geselecteerd of hoe ze tijdens de training worden verwerkt.

Gegevensweergave

Gegevensweergave is een alternatieve weergave die u kunt gebruiken om toegang te krijgen tot meer informatie en voorbeeldgegevens voor elke kolom.

Configuratiepaneel voor experimenten

In het configuratiepaneel voor experimenten kunt u de experimenttraining verder aanpassen. Dit paneel is standaard geopend in nieuwe experimenten.

Klik na het uitvoeren van een versie op Configuratie bekijken om het paneel te openen en de volgende versie te configureren.

Met het configuratiepaneel voor experimenten kunt u:

• Selecteer een doel en experimenttype

• Stel een versienaam in

• Functies toevoegen of verwijderen

• Configureer een nieuwe versie van het experiment

• Bekijk het type model dat u traint

• Selecteer om de trainingsgegevensset te wijzigen of te vernieuwen

• Algoritmen toevoegen of verwijderen

• Instellingen voor modeloptimalisatie wijzigen

• Stel voor tijdreeksmodellen de prognose-instellingen in

• Configureer biasdetectie

Functiekolommen selecteren

Als het doel is ingesteld, kunt u kiezen welke van de andere beschikbare kolommen u wilt opnemen in de training van het model. Sluit alle functies uit die u geen deel wilt laten uitmaken van het model. Houd er rekening mee dat de kolom in de gegevensset blijft, maar niet wordt gebruikt door het trainingsalgoritme.

Bovenaan het configuratiepaneel voor experimenten ziet u het aantal cellen in uw gegevensset. Als het aantal uw gegevenssetlimiet overschrijdt, kunt u functies uitsluiten om onder de limiet te komen.

U kunt de functiekolommen op verschillende manieren selecteren:

In Schemaweergave en Gegevensweergave

In de hoofdweergaven kunt u:

• Alle beschikbare functies opnemen deselecteren en vervolgens alleen de functies selecteren die u wilt opnemen.

• Handmatig de selectievakjes wissen voor de functies die u niet wilt opnemen.

• Een zoekopdracht uitvoeren en alle functies in uw gefilterde zoekresultaat uitsluiten of opnemen.

In het configuratiepaneel voor experimenten

In het configuratiepaneel voor experimenten kunt u:

• Handmatig de selectievakjes wissen voor de functies die u niet wilt opnemen.

• Nadat u de eerste versie van het experiment hebt uitgevoerd, kunt u het Aantal op te nemen topfuncties definiëren.

Wanneer u functies selecteert, krijgen ze automatisch een functietype toegewezen. De mogelijke functietypen zijn:

• Categorisch

• Numeriek

• Datum

• Vrije tekst

Het functietype wordt toegewezen op basis van de gegevens in de functiekolom. Als een functie aan bepaalde criteria voldoet, kan deze worden geselecteerd als basis voor automatisch ontworpen functies. Indien gewenst kunt u wijzigen of de functie wordt gebruikt voor automatische functie-engineering. Voor volledige details over automatische functie-engineering, zie Automatische functieontwikkeling.

Bepaalde kolommen in uw gegevensset kunnen mogelijk niet worden geselecteerd als functies voor uw experiment, of er kan een specifieke verwerking op worden toegepast. Uitleg over hoe uw gegevens worden geïnterpreteerd en verwerkt, wordt weergegeven terwijl u door de experimenttraining navigeert. Voor meer informatie, zie Inzichten in de dataset interpreteren.

Algoritmen selecteren

Alle beschikbare algoritmen zijn standaard opgenomen en u kunt alle algoritmen uitsluiten die u niet wilt gebruiken. Normaal gesproken zou u dit doen als onderdeel van de modelverfijning wanneer u de eerste trainingsresultaten hebt gezien. Lees meer in Modellen verfijnen.

Functietypen wijzigen

Wanneer een gegevensset wordt geladen, worden de kolommen behandeld als categorisch, numeriek, datum of vrije tekst op basis van het gegevenstype en andere kenmerken. In sommige gevallen wilt u deze instelling mogelijk wijzigen.

Als de dagen van de week bijvoorbeeld worden weergegeven door de getallen 1-7, vertegenwoordigt elk getal een categorische waarde. Standaard wordt het behandeld als een continue gerangschikte numerieke waarde, dus u zou de configuratie handmatig moeten wijzigen om het als categorisch te behandelen.

Wanneer een kolom wordt geïdentificeerd als bevattende datum- en tijdinformatie, wordt deze gebruikt als basis voor nieuw gegenereerde automatisch ontworpen functies. Wanneer dit gebeurt, wordt de oorspronkelijke kolom (de bovenliggende functie) behandeld als hebbende het datumfunctietype.

U kunt de bovenliggende functie wijzigen van een datumfunctie in een categorische of numerieke functie. Dit is bijvoorbeeld handig wanneer een functie wordt geïdentificeerd als een datum, maar u deze moet behandelen als een tekenreeks of getal. Wanneer u dit doet, kunt u de automatisch ontworpen functies ervan niet langer gebruiken in experimenttraining.

Doe het volgende:

1. Zoek de functie in Schemaweergave.

2. Klik in de kolom Functietype voor deze functie op .

3. Selecteer een waarde in de lijst.

U kunt functietypen ook wijzigen vanuit Gegevensweergave. Zoek de functie en klik vervolgens op naast het huidige functietype. Selecteer een waarde in de lijst.

Tijdreeksvoorspelling

Als u een tijdreeksexperiment traint, worden bepaalde transformaties van functietypen automatisch toegepast, afhankelijk van uw configuratie. Als u bijvoorbeeld groepen selecteert om te gebruiken voor multivariate voorspelling, worden de functietypen van deze groepen automatisch omgezet naar categorisch.

Impact op voorspellingen

Wanneer u handmatig het functietype van een functie wijzigt en vervolgens een resulterend model implementeert, worden de functietype-overschrijvingen toegepast op de functie in de toepasbare gegevensverzameling die wordt gebruikt in voorspellingen die met dat model zijn gemaakt.

Gegevensset wijzigen

U kunt de trainingsgegevensset wijzigen voordat u de eerste experimentversie uitvoert, evenals na het uitvoeren van een willekeurige versie.

Als u de gegevensset wijzigt voordat u de eerste versie uitvoert, verliest u alle configuraties die u hebt uitgevoerd voorafgaand aan het wijzigen van de gegevensset.

Doe het volgende:

1. Klik in het configuratiepaneel voor experimenten onder Trainingsgegevens > Gegevensset beoordelen op Gegevensset wijzigen.

2. Selecteer een nieuwe gegevensset.

Voor meer informatie over het wijzigen en vernieuwen van de gegevensset tijdens modelverfijning (na het uitvoeren van een experimentversie), zie De dataset wijzigen en vernieuwen.

Modeloptimalisatie configureren

Als uw experimenttype binaire classificatie, multiklasse-classificatie of regressie is, kunt u de volgende instellingen aanpassen om uw modellen te optimaliseren:

• Intelligente modeloptimalisatie in- of uitschakelen

• Hyperparameteroptimalisatie in- of uitschakelen

• Tijdbewuste training in- of uitschakelen

Deze opties kunnen worden in- of uitgeschakeld voor elke versie van het experiment dat u uitvoert.

Intelligente optimalisatie configureren

Standaard gebruikt het experiment intelligente modeloptimalisatie. Met intelligente modeloptimalisatie handelt Qlik Predict het modelverfijningsproces voor u af door functieselectie te itereren en geavanceerde transformaties op uw gegevens toe te passen.

Voor meer informatie over intelligente optimalisatie, zie Intelligente modeloptimalisatie.

U kunt deze instelling uitschakelen om de modellen die u traint handmatig te verfijnen. U wilt bijvoorbeeld uw modeltraining starten met intelligente modeloptimalisatie en vervolgens overschakelen naar handmatige verfijning voor v2 om de configuratie verder aan te passen.

Doe het volgende:

1. Klik op Configuratie bekijken.

2. Als u al ten minste één versie van het experiment hebt uitgevoerd, klikt u op Nieuwe versie.

3. Vouw in het paneel Modeloptimalisatie uit.

4. Schakel over van Intelligent naar Handmatig.

5. Stel met de schuifregelaar de maximale uitvoeringsduur voor de training in.

Hyperparameteroptimalisatie configureren

U kunt de modellen optimaliseren met behulp van hyperparameteroptimalisatie. Houd er rekening mee dat dit een geavanceerde optie is die de trainingstijd aanzienlijk kan verlengen. Hyperparameteroptimalisatie is beschikbaar als u intelligente optimalisatie uitschakelt.

Voor meer informatie, zie Hyperparameteroptimalisatie.

Doe het volgende:

1. Klik op Configuratie bekijken.

2. Als u al ten minste één versie van het experiment hebt uitgevoerd, klikt u op Nieuwe versie.

3. Vouw in het paneel Modeloptimalisatie uit.

4. Schakel over van Intelligent naar Handmatig.

5. Schakel het selectievakje Hyperparameteroptimalisatie in.

6. Stel optioneel een tijdslimiet in voor uw optimalisatie. De standaard tijdslimiet is één uur.

Tijdbewuste training configureren

Als u wilt dat uw modellen worden getraind met inachtneming van een tijdreeksdimensie, activeert u tijdbewuste training voor de experimentversie. Om deze optie te gebruiken, moet u een kolom in uw gegevensset hebben die de relevante tijdreeksinformatie bevat.

Wanneer tijdbewuste training is ingeschakeld, gebruikt Qlik Predict gespecialiseerde kruisvalidatie- en nul-imputatieprocessen om de modellen te trainen.

Voor meer informatie, zie Tijdbewuste modellen maken en Tijdgebaseerde kruisvalidatie.

Doe het volgende:

1. Klik op Configuratie bekijken.

2. Als u al ten minste één versie van het experiment hebt uitgevoerd, klikt u op Nieuwe versie.

3. Vouw in het paneel Modeloptimalisatie uit.

4. Selecteer onder Tijdgebaseerde test-train-splitsing de Datumindex die u wilt gebruiken voor het sorteren van de gegevens.

Inzichten over de trainingsgegevens bekijken

Op het tabblad Configuratie/Trainingsgegevens van het experiment kunt u inzichten bekijken in de verwerking van de trainingsgegevens. Deze informatie is beschikbaar in de kolom Inzichten in Schemaweergave. De weergegeven informatie is afhankelijk van of u al dan niet een versie met de huidige trainingsgegevens hebt uitgevoerd. De wijzigingen in de kolom Inzichten kunnen u helpen te identificeren waarom functies mogelijk niet beschikbaar zijn voor gebruik, of waarom ze automatisch zijn weggelaten.

Voor meer informatie over wat elk inzicht betekent, zie Inzichten in de dataset interpreteren.