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 dataset geanalyseerd en worden er samenvattende statistieken weergegeven over elke kolom in de dataset. Er worden verschillende automatische voorbereidingsstappen toegepast op de dataset om ervoor te zorgen dat alleen geschikte gegevens worden opgenomen. Zie voor meer informatie over de gegevensvoorverwerking Geautomatiseerde voorbereiding en transformatie.

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

Vereisten en machtigingen

Zie voor meer informatie over de gebruikersvereisten voor het werken met ML-experimenten Werken met experimenten.

De interface

In de volgende secties wordt beschreven hoe u door de experimentinterface navigeert om uw experiment te configureren. Zie voor meer informatie over de interface 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 verandert het tabblad Configuratie in Trainingsgegevens. Er komen ook andere tabbladen beschikbaar. Met 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 schakelen tussen de volgende weergaven:

• Schemaweergave: de standaardweergave. In deze weergave wordt elke kolom in uw dataset vertegenwoordigd door een rij in het schema met informatie en statistieken.

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

Configuratiepaneel van experiment

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

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

Met het configuratiepaneel van het experiment 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 functies uit die u geen deel wilt laten uitmaken van het model. Houd er rekening mee dat de kolom in de dataset blijft staan, maar niet wordt gebruikt door het trainingsalgoritme.

Bovenaan het configuratiepaneel van het experiment ziet u het aantal cellen in uw dataset. Als het aantal uw datasetlimiet overschrijdt, kunt u functies uitsluiten om onder de limiet te blijven.

U kunt de functiekolommen op verschillende manieren selecteren:

In Schemaweergave en Gegevensweergave

In de hoofdweergaven kunt u:

• Schakel Alle beschikbare functies opnemen uit en selecteer vervolgens alleen de functies 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 van het experiment

In het configuratiepaneel van het experiment 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 om de basis te worden voor automatisch gegenereerde functies. Desgewenst kunt u wijzigen of de functie wordt gebruikt voor automatische functie-engineering. Zie voor volledige details over automatische functie-engineering Automatische functieontwikkeling.

Bepaalde kolommen in uw dataset 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. Zie voor meer informatie Inzichten in de dataset interpreteren.

Algoritmen selecteren

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

Functietypen wijzigen

Wanneer een dataset wordt geladen, worden de kolommen behandeld als categorisch, numeriek, datum of vrije tekst op basis van het gegevenstype en andere kenmerken. In some cases, you might want to change this setting.

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

Wanneer wordt vastgesteld dat een kolom datum- en tijdinformatie bevat, wordt deze gebruikt als basis voor nieuw gegenereerde automatisch ontworpen functies. Wanneer dit gebeurt, wordt de oorspronkelijke kolom (de bovenliggende functie) behandeld alsof deze het functietype datum heeft.

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 wilt dat deze als een tekenreeks of getal wordt behandeld. Als u dit doet, kunt u de automatisch ontworpen functies ervan niet meer gebruiken in de experimenttraining.

Doe het volgende:

1. Zoek de functie in de Schemaweergave.

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

3. Selecteer een waarde in de lijst.

U kunt functietypen ook wijzigen vanuit de 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 functietypetransformaties automatisch toegepast, afhankelijk van uw configuratie. Als u bijvoorbeeld groepen selecteert om te gebruiken voor multivariate voorspellingen, worden de functietypen van deze groepen automatisch omgeschakeld 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.

Dataset wijzigen

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

Als u dataset wijzigt voordat u de eerste versie uitvoert, verliest u alle configuraties die u vóór het wijzigen van de dataset hebt uitgevoerd.

Doe het volgende:

1. Klik in het configuratiepaneel van het experiment onder Trainingsgegevens > Dataset controleren op Dataset wijzigen.

2. Selecteer een nieuwe dataset.

Zie voor meer informatie over het wijzigen en vernieuwen van de dataset tijdens modelverfijning (na het uitvoeren van een experimentversie) De dataset wijzigen en vernieuwen.

Modeloptimalisatie configureren

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

• Intelligente modeloptimalisatie in- of uitschakelen

• Hyperparameteroptimalisatie in- of uitschakelen

• Tijdsbewuste training in- of uitschakelen

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

Intelligente optimalisatie configureren

Standaard maakt het experiment gebruik van intelligente modeloptimalisatie. Met intelligente modeloptimalisatie regelt Qlik Predict het modelverfijningsproces voor u door functieselectie te herhalen en geavanceerde transformaties op uw gegevens toe te passen.

Zie voor meer informatie over intelligente optimalisatie Intelligente modeloptimalisatie.

U kunt deze instelling uitschakelen om de modellen die u traint handmatig te verfijnen. U kunt 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 weergeven.

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.

Configuring hyperparameter optimization

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.

Zie voor meer informatie Hyperparameteroptimalisatie.

Doe het volgende:

1. Klik op Configuratie weergeven.

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.

Tijdsbewuste training configureren

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

Wanneer tijdsbewuste training is ingeschakeld, gebruikt Qlik Predict gespecialiseerde processen voor kruisvalidatie en nul-imputatie om de modellen te trainen.

Zie voor meer informatie Tijdbewuste modellen maken en Tijdgebaseerde kruisvalidatie.

Doe het volgende:

1. Klik op Configuratie weergeven.

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 Op tijd gebaseerde 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 de Schemaweergave. De weergegeven informatie hangt af van het feit of u al dan niet een versie met de huidige trainingsgegevens hebt uitgevoerd. De wijzigingen in de kolom Inzichten kunnen u helpen te bepalen waarom functies mogelijk niet beschikbaar zijn voor gebruik, of waarom ze automatisch zijn verwijderd.

Zie voor meer informatie over wat elk inzicht betekent Inzichten in de dataset interpreteren.