Modellen verfijnen

Zodra u voor het eerst een paar modellen hebt gemaakt, is het belangrijk ze te verfijnen om hun effectiviteit en potentiële nauwkeurigheid te vergroten. De modelscores duiden de verschillende metingen van deze prestatie. Het doel van de verfijning van modellen is om deze scores te verhogen, maar een hogere score betekent niet noodzakelijkerwijs dat het model beter is.

U kunt uw modellen verfijnen door het uitsluiten of opnemen van kenmerken, het wijzigen van trainingsgegevens en het wijzigen van andere configuratieparameters. Door zo te werk te gaan, kunt u verschillende versies vergelijken om te bekijken wat het effect van de wijzigingen is.

Door de scores te interpreteren, leert u hoe u het model moet verfijnen. De waarden voor de verschillende statistieken kunnen u inzichten geven over welke acties u moet nemen om de resultaten te verbeteren.

Vereisten en machtigingen

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

Een nieuwe versie configureren

Nadat u een experimentversie hebt uitgevoerd, kunt u indien nodig uw modellen verfijnen door een nieuwe versie te maken.

Doe het volgende:

1. In de tabel Modelstatistieken selecteert u het model dat u wilt verfijnen.

2. Klik rechtsonderaan op Configuratie weergeven om het deelvenster Experimentconfiguratie te openen.

3. Klik op Nieuwe versie.

Nadat u een nieuwe versie hebt gemaakt, kunt u de volgende wijzingen toepassen op de configuratie:

• Bestaande kenmerken uitsluiten

• Eerder uitgesloten kenmerken opnemen

• De gegevensverzameling wijzigen of vernieuwen

• Algoritmen selecteren of de selectie ervan opheffen

Meer informatie over deze opties vindt u in de onderstaande secties.

Bij het opstellen van een nieuwe versie klikt u op het filterpictogram onder Kenmerken in het deelvenster Experimentconfiguratie. Door te filteren kunt u gemakkelijker visualiseren welke kenmerken zijn geïntroduceerd sinds u de trainingsgegevensset hebt gewijzigd. U kunt ook zien welke kenmerken automatisch zijn gegenereerd en niet zijn gegenereerd.

De gegevensverzameling verbeteren

Als uw model niet goed scoort, is het verstandig de gegevensverzameling te evalueren en eventuele problemen aan te pakken. Lees meer over hoe u de gegevensverzameling kunt verbeteren in Uw gegevensverzameling voorbereiden voor training.

Kenmerken uitsluiten

Meer kenmerken betekent niet per se een beter model. Om het model te verfijnen, moet u onbetrouwbare en irrelevante kenmerken uitsluiten, zoals:

• Kenmerken met een te hoge correlatie. Als u twee gecorreleerde kenmerken hebt, sluit u het kenmerk met een lager kenmerkbelang uit.

• Kenmerken met een te laag kenmerkbelang. Deze kenmerken hebben geen invloed op wat u probeert te ontdekken.

• Kenmerken met een te hoog kenmerkbelang. Dit kan worden veroorzaakt door het lekken van gegevens.

Verwijder een kenmerk uit de trainingsgegevens en voer de training nog een keer uit. Kijk of dit het model verbetert. Maakt het veel uit voor de score van het model of helemaal niets?

Doe het volgende:

1. Open een experiment vanuit Catalogus.

2. Selecteer het model dat u wilt verfijnen.

3. Klik rechtsonderaan op Configuratie weergeven om het deelvenster Experimentconfiguratie te openen.

4. Klik op Nieuwe versie om een nieuwe experimentversie te configureren.

5. Schakel bij Kenmerken de selectievakjes uit bij elk kenmerk dat u niet wilt gebruiken tijdens de training.

Kenmerken toevoegen

Als uw model nog steeds niet goed scoort, zou dat kunnen zijn omdat de kenmerken die een relatie met het doel hebben, nog niet zijn vastgelegd in de gegevensverzameling. U kunt uw gegevensverzameling opnieuw verwerken en gebruiken om de gegevenskwaliteit te optimaliseren en om nieuwe kenmerken en informatie toe te voegen. Als de nieuwe gegevensverzameling gereed is, kunt u deze toevoegen aan toekomstige experimentversies. Zie: De gegevensverzameling wijzigen en vernieuwen.

Lees meer over hoe u nieuwe kenmerken kunt vastleggen of bewerken in Nieuwe kenmerkkolommen maken.

Algoritmen selecteren

Op basis van het type gegevens van uw doelkolom worden er automatisch geschikte algoritmen voor de training geselecteerd. Het is misschien beter om de algoritmen uit te sluiten die niet zo goed presteren of die langzamer zijn. Zo verspilt u er geen tijd aan voor de training.

Voor meer informatie over hoe algoritmen worden gekozen, raadpleegt u Algoritmen.

Doe het volgende:

1. Open een experiment vanuit Catalogus.

2. Selecteer het model dat u wilt verfijnen.

3. Klik rechtsonderaan op Configuratie weergeven om het deelvenster Experimentconfiguratie te openen.

4. Klik op Nieuwe versie om een nieuwe experimentversie te configureren.

5. Schakel bij Algoritmen de selectievakjes uit bij alle algoritmen die u niet wilt gebruiken tijdens de training.

De gegevensverzameling wijzigen en vernieuwen

Als uw trainingsgegevens zijn gewijzigd sinds de laatste experimentversie, kunt u de gegevensverzameling wijzigen of vernieuwen voor toekomstige versies van het experiment.

Dit kan handig zijn als u modelstatistieken en prestaties van verschillende gegevensverzamelingen binnen hetzelfde experiment wilt vergelijken. Dit is bijvoorbeeld praktisch als:

• Er een nieuwe set gegevensrecords beschikbaar is of als de originele set met gegevensrecords is bijgewerkt. De transacties van afgelopen maand worden bijvoorbeeld beschikbaar en zijn geschikt voor gebruik in de training of een probleem met een gegevenscollectie is geïdentificeerd en verholpen.

• De originele trainingsgegevensset is opnieuw verwerkt of gebruikt, mogelijk met als doel om de modeltraining te verbeteren. U hebt mogelijk de logica verbeterd voor het definiëren van waarden van kenmerkkolommen of u hebt zelfs nieuwe kenmerkkolommen toegevoegd.

Door de gegevensverzameling te wijzigen of vernieuwen worden bestaande modellen die al zijn getraind met eerdere experimentversies niet gewijzigd. Binnen een experimentversie worden de modellen alleen getraind met trainingsgegevens die zijn gedefinieerd binnen die specifieke versie.

Vereisten

Als u de gegevensverzameling wijzigt of vernieuwt voor een nieuwe experimentversie, moet de nieuwe gegevensverzameling aan de volgende vereisten voldoen:

• De naam en het kenmerktype van de doelkolom moet hetzelfde zijn als het doel in de originele trainingsgegevensset.

• Het aantal unieke waarden in het doelkolom moet binnen hetzelfde bereik liggen zoals vereist voor het huidige experimenttype. Voor een experiment met een multiclass-classificatie moet de doelkolom in de nieuwe gegevensverzameling bijvoorbeeld nog steeds tussen drie en tien unieke waarden bevatten. Zie Het gemaakte modeltype bepalen voor de specifieke bereiken.

De andere kenmerkkolommen kunnen volledig nieuw zijn, andere namen hebben en verschillende gegevens bevatten.

De gegevensverzameling wijzigen

Doe het volgende:

1. Selecteer een model in de tabel Modelstatistieken van een experiment.

2. Klik rechtsonderaan op Configuratie weergeven om het deelvenster Experimentconfiguratie te openen.

3. Klik op Nieuwe versie om een nieuwe experimentversie te configureren.

4. Klik onder Trainingsgegevens op Gegevensverzameling wijzigen.

5. Selecteer of upload de nieuwe gegevensverzameling.

De gegevensverzameling vernieuwen

Doe het volgende:

1. Selecteer een model in de tabel Modelstatistieken van een experiment.

2. Klik rechtsonderaan op Configuratie weergeven om het deelvenster Experimentconfiguratie te openen.

3. Klik op Nieuwe versie om een nieuwe experimentversie te configureren.

4. Klik onder Trainingsgegevens op Gegevensverzameling vernieuwen.

   U ontvangt een melding als er een vernieuwde gegevensverzameling beschikbaar is. Een gegevensverzameling wordt over het algemeen vernieuwd als het bestaande gegevensbestand wordt overschreven doordat er een nieuw bestand met dezelfde naam is gemaakt.

Experimentversies vergelijken

Zodra u uw wijzigingen hebt gemaakt, voert u de training opnieuw uit en vergelijkt u de nieuwe versie met de oude om het effect van uw wijzigingen te zien.

Doe het volgende:

1. Klik rechtsonderaan op het scherm op v2 uitvoeren om een andere experimentversie te trainen.

   (De tekst op de knop is afhankelijk van het aantal versies dat u hebt uitgevoerd.)

2. In de tabel Modelstatistieken kunt u de modellen filteren met behulp van de vervolgkeuzemenu's voor algoritme, versie en andere eigenschappen. De tabel kan ook worden gesorteerd op individuele metrische kolommen.

Experimentversies verwijderen

U kunt experimentversies die u niet wilt bewaren, verwijderen. Let wel op, want dan worden ook alle modellen in die experimentversies verwijderd en dat kan niet ongedaan worden gemaakt.

Doe het volgende:

1. Selecteer een model uit de experimentversie die u wilt verwijderen in de tabel Modelstatistieken.

2. Klik rechtsonderaan op <versienummer> verwijderen.

3. Klik in het bevestigingsdialoogvenster op Verwijderen.