Modellen evalueren

Om uw machine learning-modellen te evalueren moet u snappen hoe de scores en metrische gegevens van het model in elkaar steken. In sommige gevallen kan begrijpen hoe elk veld en elke waarde het voorspelde resultaat beïnvloedt, dus waarom iets gebeurt, belangrijker zijn dan voorspellingen.

Workflow

Voltooi deze stapsgewijze werkstroom voor de beste resultaten bij het evalueren van modellen.

Stap 1: de concepten begrijpen

Het kan handig zijn om een basisbegrip van de onderliggende concepten te hebben voordat u start met het evalueren van uw modelstatistieken. In Qlik AutoML worden de modelstatistieken over het algemeen als volgt geclassificeerd:

• Modelscores

  Modelscores interpreteren

• Functie-urgentie

  Functie-urgentie begrijpen

Daarnaast zijn er aantal verschillende algoritmen beschikbaar om uw modellen te trainen. Ga voor meer informatie naar Modelalgoritmen begrijpen.

Stap 2: gebruik de interface om de analyse uit te voeren

De volgende stap is om Qlik AutoML te gebruiken om de resultaten van de training te evalueren. U kunt schakelen tussen de verschillende tabbladen in de experimentinterface om het volgende uit te voeren:

• Inspecteer de trainingsgegevens om te zien hoe ze tijdens de training zijn voorbewerkt

• Toon een overzicht van de manier waarop AutoML uw modellen heeft geoptimaliseerd door de functieselectie te wijzigen

• Voer een hoogwaardige analyse uit van de belangrijkste modelstatistieken

• Duik dieper in de gegevens met een uitgebreide vergelijking en analyse van afzonderlijke modellen

Voor meer informatie raadpleegt u de volgende gidsen:

• Snelle modelanalyse uitvoeren

• Modellen vergelijken

• Gedetailleerde modelanalyse uitvoeren

Stap 3: verfijn de modellen naar wens

Nadat u de modellen hebt geanalyseerd, kunt u ze verfijnen om de resultaten te verbeteren.

Intelligente modeloptimalisatie is standaard geactiveerd in uw experiment. Deze functie verfijnt automatisch modellen voor u door functies uit te sluiten die de modelprestaties kunnen beïnvloeden. Ervan uitgaand dat u een goed voorbereide gegevensverzameling hebt, zou het resultaat gereed, of bijna gereed moeten zijn voor implementatie.

U kunt de training desgewenst ook starten zonder intelligente optimalisatie of deze functie uitschakelen nadat u of meer versies ermee hebt uitgevoerd. Dit is handig als u meer controle wenst over het trainingsproces.

Aanvullende verfijning is mogelijk vóór of na een modelimplementatie vereist. U moet bijvoorbeeld modellen opnieuw trainen na het wijzigen of vernieuwen van de trainingsgegevens.

Zie Modellen verfijnen voor meer informatie over het verfijnen van modellen.

Nadat u het verfijningsproces hebt afgerond, kunt u het beste model implementeren.