Intelligente modeloptimalisatie
Intelligente modeloptimalisatie biedt een automatische verfijning van de modellen die u traint in een experiment. Met intelligente modeloptimalisatie worden eigenschappen die een negatief effect hebben op de modelprestaties automatisch uitgesloten van de modeltraining. Met een goed voorbereide trainings-gegegevensverzameling met alle relevante eigenschappen, kunt u verwachten dat intelligente modeloptimalisatie binnen een versie modellen traint die gereed zijn voor implementatie.
Wat is intelligente modeloptimalisatie?
Intelligente modeloptimalisatie automatiseert vele aspecten van het verfijningsproces van modellen. Intelligente modeloptimalisatie identificeert en verwijdert functies die het voorspellende vermogen van het model verminderen.
Intelligente modeloptimalisatie gebruiken
Intelligente modeloptimalisatie is standaard ingeschakeld voor nieuwe experimenten. U kunt deze functie in- of uitschakelen voor elke versie van het experiment dat u uitvoert.
Nadat u een experimentversie uitvoert met intelligente optimalisatie ingeschakeld, kunt u de resultaten van de optimalisatie bekijken in Overzicht modeltraining. Dit overzicht wordt getoond op het tabblad Modellen onder Modelinzichten. Ga met de muiscursor op de onderstreepte termen staan om knopinfo met een gedetailleerde beschrijving weer te geven.
Het Overzicht modeltraining is anders voor elk model dat in een experimentversie is getraind.
Tijdens de intelligente modeloptimalisatie wordt een functie mogelijk verwijderd vanwege een van de volgende redenen:
-
Doellek: het vermoeden bestaat dat de functie wordt beïnvloed door een doellek. Functies met een doellek bevatten informatie over de doelkolom die u probeert te voorspellen. De functie is bijvoorbeeld direct afgeleid van het doel of bevat informatie die niet bekend is op het moment van de voorspelling. Functies die een doellek veroorzaken, kunnen u een vals gevoel van zekerheid geven over de prestaties van het model. In werkelijke voorspellingen zorgen ze ervoor dat model slecht presteert.
-
Lage permutatie-urgentie: de functie heeft weinig, of geen, invloed op de modelprestaties. Door het verwijderen van deze functies worden de modelprestaties verbetert omdat ruis wordt verminderd.
-
Hoge correlatie: de functie heeft een hoge correlatie met een of meer functies in het experiment. Functies met een hoge correlatie zijn niet geschikt om in trainingsmodellen te gebruiken.
Op het tabblad Gegevens binnen het experiment kunt u voor elk model inzichten bekijken over verwijderde functies. Inzichten verwijzen ook naar functies die zijn verwijderd buiten het proces van intelligente modeloptimalisatie. Raadpleeg Inzichten over gegevensverzamelingen interpreteren voor meer informatie over elk inzicht.
Hoe intelligente modeloptimalisatie werkt
Met intelligente modeloptimalisatie:
- Worden meer modellen getraind dan met handmatige optimalisatie. Wordt functieselectie op het modelniveau afgehandeld. Dit betekent dat elk model in een versie een andere functieselectie kan hebben, in tegenstelling tot handmatige optimalisatie.
- Vanwege kwaliteitsborging wordt er nog steeds een baselinemodel getraind. Dit is een model dat is getraind op basis van de gehele functiesset die u hebt geconfigureerd voor de versie. Dit helpt om te controleren of de intelligente optimalisatie de modelscores wel degelijk verbetert.
- Bij grotere trainings-gegevensverzamelingen worden modellen getraind door middel van verschillende steekproefverhoudingen. Dit helpt om het proces te versnellen. Ga voor meer informatie naar Steekproef van trainingsgegevens.
Steekproef van trainingsgegevens
Als u modellen met een grote hoeveelheid gegevens traint, gebruikt AutoML steekproeven om modellen te trainen met verschillende subsets (steekproefverhoudingen) van de originele gegevensverzameling. Steekproeven worden gebruikt om het trainingsproces te versnellen. Aan het begin van de training worden modellen getraind met een kleine steekproefverhouding. Als de training vordert, worden modellen in de loop van de tijd getraind met grotere delen van de gegevens. Uiteindelijk worden modellen met de gehele gegevensverzameling getraind (een steekproefverhouding van 100%).
Tijdens het analyseren van de trainingsgegevens van uw model, worden modellen die zijn getraind met minder dan 100% van de trainings-gegevensverzameling verborgen in sommige weergaven.
Intelligente optimalisatie uitschakelen
Wanneer intelligente optimalisatie is uitgeschakeld, dient u de training handmatig te optimaliseren. Handmatige optimalisatie is nuttig als u meer controle over het trainingsproces wilt hebben. U kunt bijvoorbeeld een versie uitvoeren met intelligente modeloptimalisatie en vervolgens de instelling uitschakelen als u kleine handmatige wijzigingen wilt doorvoeren.
Doe het volgende:
Klik in een experiment op Configuratie weergeven.
Het venster voor experimentconfiguratie wordt geopend.
Klik op Nieuwe versie als u al ten minste één versie van het experiment hebt uitgevoerd.
In het venster vouwt u Modeloptimalisatie uit.
Schakel over van Intelligent naar Handmatig.
Overwegingen
Overweeg het volgende als u werkt met intelligente modeloptimalisatie:
Het gebruik van intelligente modeloptimalisatie garandeert niet dat uw training modellen van hoge kwaliteit produceert. De voorbereiding van de gegevensverzameling en de experimentconfiguratie zijn ook van belang om betrouwbare modellen te produceren. Wanneer u geen goed voorbereide gegevensverzameling hebt of als uw configuratie belangrijke functies mist, kan er niet gegarandeerd worden dat uw modellen goed presteren in productie. Voor meer informatie over deze fasen raadpleegt u:
Wanneer intelligente modeloptimalisatie is ingeschakeld voor een versie, heeft elk model van deze versie een afzonderlijke set met opgenomen functies. Aan de andere kant hebben alle modellen van een versie die is getraind met handmatige optimalisatie dezelfde set met opgenomen functies.
Intelligente modeloptimalisatie gebruikt alleen de functies en algoritmen die u hebt opgenomen in de configuratie voor de versie.
Optimalisatie van hyperparameter
Hyperparameter-optimalisatie is niet beschikbaar als intelligente modeloptimalisatie is ingeschakeld. Stel de modeloptimalisatie in op Handmatig om hyperparameter-optimalisatie te activeren.
Ga voor meer informatie naar Optimalisatie van hyperparameter.
Voorbeeld
Zie Voorbeeld – Trainingsmodellen met geautomatiseerde machine learning voor een voorbeeld waarin de voordelen van intelligente modeloptimalisatie worden getoond.