Ga naar hoofdinhoud Ga naar aanvullende inhoud

Voorbeeld – Trainingsmodellen met geautomatiseerde machine learning

In dit voorbeeld traint u machine learning-modellen door middel van intelligente modeloptimalisatie. Met behulp van intelligente modeloptimalisatie werkt AutoML het herhalings- en verfijningsproces voor uw modellen voor u af.

Zie Intelligente modeloptimalisatie voor meer informatie over intelligente modeloptimalisatie.

Wat u gaat leren

In dit voorbeeld leert u het volgende:

  • Het maken en configureren van een ML-experiment

  • Hoe intelligente optimalisatie automatische modelverfijning kan uitvoeren

  • Trainingsresultaten weergeven en analyseren

Andere overwegingen

Intelligente modeloptimalisatie helpt aanzienlijk bij het verfijnen van modellen met een goed voorbereide gegevensverzameling. Om ervoor te zorgen dat uw modellen van hoge kwaliteit zijn in echte usecases, is het van belang dat u begint met het volgen van het gestructureerde raamwerk en een trainings-gegevensverzameling voorbereidt met relevante functies en gegevens. Ga voor meer informatie naar:

Intelligente modeloptimalisatie kan desgewenst voor elke experimentversie worden uitgeschakeld. Schakelt u deze instelling uit, dan moet u uw modellen handmatig optimaliseren. Handmatige optimalisatie kan nuttig zijn als u specifieke wijzingen wilt doorvoeren op de experimentconfiguratie. U kunt een versie uitvoeren met intelligente modeloptimalisatie, de functie vervolgens uitschakelen en kleine aanpassingen maken en toch profiteren van de automatische verfijning.

Dit voorbeeld toont een experimenttraining met intelligente optimalisatie. Zie Zelfstudie – Voorspellingsgegevens genereren en visualiseren voor een volledige zelfstudie over het gebruik van handmatige optimalisatie. De zelfstudie biedt ook begeleiding bij het implementeren van modellen, het maken van voorspellingen en het visualiseren van voorspellingsgegevens met interactieve Qlik Sense-apps.

Wie moet dit voorbeeld voltooien

U moet dit voorbeeld voltooien om te leren over het gebruik van intelligente modeloptimalisatie om uw machine learning-modellen te verfijnen.

Om dit voorbeeld te voltooien, hebt u het volgende nodig:

  • Professional- of Full User-recht

  • De beveiligingsrollen Automl Experiment Contributor in de tenant

  • Indien u werkt in een gezamenlijke ruimte, hebt u de vereiste ruimterollen nodig in de ruimten waarin u gaat werken. Zie: Machtigingen in gedeelde ruimtes beheren

Als u geen ML‑-bronnen kunt bekijken of maken, dan beschikt u hoogstwaarschijnlijk niet over de vereiste rollen, rechten of machtigingen. Neem contact op met uw tenantbeheerder voor meer informatie.

Ga voor meer informatie naar Wie kan werken met Qlik AutoML.

Wat u eerst moet doen

Download dit pakket en pak het uit op uw bureaublad:

AutoML-voorbeeld - Intelligente modeloptimalisatie

Het pakket bevat de trainings-gegevensverzameling die u gaat gebruiken om de modellen te trainen. De gegevensverzameling bevat informatie over klanten voor wie de deadline voor verlenging al is verlopen en die de beslissing hebben gemaakt om al dan niet hun abonnement op de service op te zeggen.

  1. Open het Analyse-activiteitencentrum.

  2. Ga naar de pagina Maken, selecteer Gegevensverzamelingen en selecteer vervolgens Gegevensbestand uploaden.

  3. Sleep het bestand AutoML Example - Churn data - training.csv naar het uploaddialoogvenster.

  4. Selecteer een ruimte. Dit kan uw persoonlijke ruimte zijn of een gedeelde ruimte als u wilt dat andere gebruikers toegang hebben tot deze gegevens.

  5. Klik op Uploaden.

Nu dat uw gegevensverzamelingen geüpload zijn, kunt u beginnen met het aanmaken van een experiment.

Deel 1: een experiment maken

  1. Ga naar de pagina Maken van het Analyse-activiteitencentrum en selecteer ML‑experiment.

  2. Voer een naam in voor uw experiment, zoals Intelligent optimization example.

  3. Voer desgewenst een beschrijving en tags in.

  4. Kies een ruimte voor uw experiment. Dit kan uw persoonlijke ruimte of een gedeelde ruimte zijn.

  5. Klik op Maken.

  6. Selecteer het AutoML Example - Churn data - training.csv-bestand.

Deel 2: configureer het experiment

Hier kunnen we het experiment configureren.

Intelligente modeloptimalisatie vereist minder initiële configuratie dan handmatige optimalisatie. In dit geval selecteren we een doel en gebruiken we alle functies die standaard worden opgenomen.

Het doel selecteren

We willen dat ons machine learning-model het klantenverloop voorspelt, dus we selecteren Churned, de laatste kolom van de gegevensverzameling, als ons doel.

In het experiment mag alleen het tabblad Gegevens worden getoond. U kunt een doel op meerdere maneiren selecteren, maar hier gebruiken we de Tabelrijen schemaweergave, die standaard wordt geopend.

  • In het schema plaatst u de muisaanwijzer boven Churned en klikt u op het doelpictogram Doel dat wordt weergegeven.

Het doel selecteren in Schemaweergave

Gegevensverzamelingkolom met doelsymbool.

Functieselectie bevestigen

Nadat u een doel hebt geselecteerd, worden alle beschikbare en aanbevolen functies standaard opgenomen. Bevestig in de Tabelrijen schemaweergave dat alle functies, op twee na, worden opgenomen. Naast elk van de opgenomen functies moet het selectievakje zijn geselecteerd. Country kan niet worden gebruikt. AccountID wordt niet aanbevolen voor gebruik vanwege de hoge kardinaliteit, dus deze blijft ongeselecteerd.

Schema toont de standaard functieselectie

Schemaweergave toont alle beschikbare en aanbevolen functies die zijn opgenomen in de functieversie

Intelligente optimalisatie bevestigen

Er wordt een venster geopend aan de rechterkant van de pagina waar u aanvullende instellingen kunt configureren. We willen controleren dat intelligente modeloptimalisatie is ingeschakeld.

  1. Als het venster voor experimentconfiguratie is niet geopend, klikt u op Besturingselementen Configuratie weergeven om het venster te openen.

  2. In het venster vouwt u Modeloptimalisatie uit.

  3. De geselecteerde optimalisatieoptie moet Intelligent zijn.

Bevestig dat de experimentversie wordt uitgevoerd met de optimalisatieoptie Intelligent

Venster voor experimentconfiguratie toont dat de instelling 'Modeloptimalisatie' is ingesteld op 'Intelligent'

De training uitvoeren

Klik op Experiment uitvoeren in de rechterbenedenhoek van de pagina om de modeltraining te starten.

Deel 3: de resultaten weergeven

Nadat de training is voltooid, verschijnt en wordt het tabblad Modellen geopend. Hier kunt u zien welke optimalisaties tijdens de training zijn uitgevoerd. Het bovenste model, dat wordt gemarkeerd met het pictogram Trofee is automatisch geselecteerd. Laten we dit model analyseren.

Kijk naar het Overzicht modeltraining. Deze toont u de resultaten van de intelligente optimalisatie voor dit model. In dit geval zien we dat de volgende functies zijn verwijderd en ook de reden voor de verwijdering wordt weergegeven:

  • DaysSinceLastService is verwijderd vanwege een onverwacht doellek. In dit geval bevat de kolom gegevens met onjuiste logica. De dagen sinds het laatste serviceticket actief werd geteld voor klanten die hun service hebben geannuleerd (in sommige gevallen enkele jaren geleden). Deze functie moest verwijderd worden omdat het onjuiste prestatiescores zou hebben gegeven waardoor het model bij de implementatie zeer slecht zou presteren. Zie Lekken van gegevens

  • PriorPeriodUsage en PriorPeriodUsage-Rounded zijn verwijderd omdat ze een hoge correlatie hadden met een andere functie. De functie waarmee ze een correlatie hadden was nog opgenomen in de training. Zie: Correlatie.

  • CurrentPeriodUsage, CustomerTenure, StartMonth, Territory, DeviceType en StartWeek zijn verwijderd vanwege een lage permutatie-urgentie. Functies die een lage invloed hebben op het model worden gezien als ruis en kunnen verwijderd worden om de prestaties te verbeteren. Zie: Permutatie-urgentie begrijpen.

Diagram Overzicht modeltraining toont de functies die zijn verwijderd door de intelligente optimalisatie

Diagram van het trainingsoverzicht voor het best presterende model toont functies die zijn verwijderd vanwege doellekken, hoge correlatie en lage permutatie-urgentie

Nu deze functies zijn verwijderd, zien we visualisaties die de functies met de grootste invloed weergeven evenals enkele indicatoren van de voorspellingsprestaties van het model. Wat u in deze diagrammen ziet kan u helpen om te beoordelen of er iets ontbreekt in de functiesset of dat de resultaten afwijken.

Raadpleeg Snelle modelanalyse uitvoeren voor meer informatie over het analyseren van modellen met behulp van deze visualisaties.

De analyse uitgebreider verkennen

Als u de modelstatistieken verder wilt verkennen, schakel dan naar de tabbladen Vergelijken en Analyseren van het experiment. Deze tabbladen bieden u een verfijnde, interactieve weergave van de statistieken.

Ga voor meer informatie naar Modellen vergelijken en Gedetailleerde modelanalyse uitvoeren.

Volgende stappen

Met een hoogwaardige gegevensverzameling maakt intelligente optimalisatie modellen die direct geïmplementeerd kunnen worden en waarbij weinig tot geen iteratie meer nodig is. Vanaf dit punt wordt aanbevolen dat u het best presterende model implementeert. Anders kunt u doorgaan om de modellen handmatig te verfijnen of de trainingsgegevens bijwerken en de intelligente modeloptimalisatie nogmaals uitvoeren.

Voor meer informatie over de volgende stappen raardpleegt u:

Hartelijk dank!

U hebt dit voorbeeld voltooid. We hopen dat u hebt geleerd hoe u intelligente modeloptimalisatie kunt gebruiken om gemakkelijk machine-learning-modellen te trainen die direct klaar zijn voor implementatie.

Meer informatie en bronnen

Uw mening is belangrijk

Wij waarderen elke vorm van feedback die u hebt. Gebruik de onderstaande sectie om uw beoordeling te geven.

Was deze pagina nuttig?

Als u problemen ervaart op deze pagina of de inhoud onjuist is – een typfout, een ontbrekende stap of een technische fout – laat het ons weten zodat we dit kunnen verbeteren!