Ga naar hoofdinhoud Ga naar aanvullende inhoud

ML-trainingsrapporten downloaden

U kunt trainingsrapporten downloaden voor modellen die u traint in een experiment. Het trainingsrapport bevat uitgebreide details over de processen die een model getraind hebben, en optioneel andere modellen in het ML‑experiment. U kunt trainingsrapporten downloaden van ML-experimenten en ML-implementaties waartoe u toegang hebt. Trainingsrapporten zijn in PDF‑formaat.

Beheerders kunnen ook trainingsrapporten downloaden vanuit het Beheer activiteitencentrum. Ga voor meer informatie naar ML-trainingsrapporten als beheerder downloaden.

ML-trainingsrapport

Experimenttrainingsrapport

Gebruiksscenario's

Met rapporten over modeltraining kunt u:

  • Duik dieper in de processen die uw modellen trainen—bijvoorbeeld voor auditdoeleinden.

  • Deel eenvoudig details over modeltraining met gebruikers buiten Qlik Cloud.

Een trainingsrapport genereren

Vanuit een experiment

  1. Een ML-experiment openen.

  2. Ga naar het tabblad Modellen.

  3. Selecteer een model.

  4. In de rechterbovenhoek, klik op Trainingsrapport downloaden.

  5. In het dialoogvenster, optioneel op Informatie opnemen over alle modellen in het experiment.

    Bij activering genereerde deze instelling een uitgebreid rapport met informatie over alle modellen die in het experiment getraind zijn.

  6. Indien nodig, klik op Voorbeeld om het rapport te bekijken zonder het te downloaden. Afhankelijk van uw browser moet u dit mogelijk meer dan eens proberen.

  7. Klik op Downloaden.Het rapport wordt gegenereerd en opgeslagen in uw lokale map Downloads.

U kunt ook een trainingsrapport genereren door te klikken Drie puntjes-menu op een model en Trainingsrapport downloaden te selecteren.

Van een ML-implementatie

  1. Open een ML-implementatie.

  2. Ga naar het implementeerbare modellen tabblad.

  3. Onder Alle modellen in de implementatie klikt u op Drie puntjes-menu naast een model.

  4. Selecteer Trainingsrapport downloaden.

  5. In het dialoogvenster, eventueel op Informatie opnemen over alle modellen in het experiment.

    Bij activering genereerde deze instelling een uitgebreid rapport met informatie over alle modellen getraind in het experiment. Zie: Volledige en gerichte versies.

  6. Klik indien nodig op Voorbeeld om het rapport te bekijken zonder het te downloaden. Afhankelijk van uw browser, moet u dit mogelijk meer dan eens proberen.

  7. Klik op Downloaden.Het rapport wordt gegenereerd en opgeslagen in uw lokale map Downloads.

Als beheerder

Beheerders kunnen ook trainingsrapporten downloaden vanuit het Beheer activiteitencentrum.Ga voor meer informatie naar ML-trainingsrapporten als beheerder downloaden.

Wat staat er in een trainingsrapport

Het trainingsrapport geeft in detail de volgende informatie. Sommige details zijn mogelijk alleen aanwezig als u de volledige versie van het trainingsrapport downloadt. Ga voor meer informatie naar Volledige en gerichte versies.

  • Wie heeft het experiment gemaakt

  • Toen de experimenten en het model werden getraind

  • Locatie en naam van bronnen die tijdens de training zijn gebruikt

  • Hoeveel versies en modellen het experiment heeft

  • De algoritmes die zijn gebruikt om modellen te trainen

  • Details over de gebruikte trainingsgegevensverzamelingen, zoals hoeveel gegevens ze bevatten

  • Verwerking die voor en tijdens de training op de trainingsgegevens is uitgevoerd

  • Modelstatistieken voor zowel trainings- als evaluatiegegevens

  • Gegevens van hyperparameter

Volledige en gerichte versies

Bij het downloaden van een trainingsrapport kan de gebruiker optioneel de instelling Informatie over alle modellen in het experiment opnemen inschakelen. Deze instelling bepaalt of de volledige of de gerichte versie van het rapport wordt gegenereerd.

Als de instelling Informatie over alle modellen in het experiment opnemen is ingeschakeld, wordt de volledige versie van het rapport gegenereerd. Dit rapport bevat aanvullende informatie over andere modellen die in het experiment zijn getraind.

Aan de andere kant bevat het gerichte rapport alleen informatie over het geselecteerde model. Informatie over andere modellen in het experiment worden niet opgenomen.

Termen in het trainingsrapport interpreteren

Bij het analyseren van trainingsrapporten wordt ervan uitgegaan dat u inzicht heeft in de technische termen waarnaar wordt verwezen. De meeste termen worden uitgelegd in de Qlik Predict helpdocumentatie.

De volgende tabel biedt definities voor inhoud in het rapport, samen met nuttige helponderwerpen.

Begrip van termen in het trainingsrapport
Termijn Betekenis Gerelateerde inhoud
Batches

Verwijst naar hoeveel batches modellen er getraind zijn in het experiment. Bij het gebruik van intelligente modeloptimalisatie worden modellen getraind in iteratieve batches om de trainingsprestaties en resultaten te verbeteren.

Daarentegen traint een experimentversie die geen intelligente modeloptimalisatie gebruikt — dat wil zeggen, handmatige optimalisatie — modellen in één enkele batch.

-
EDA Verwijst naar verkennende gegevensanalyse. Dit is een term voor een automatische reeks verwerkingen die wordt uitgevoerd op trainingsgegevens voordat de modeltraining begint. Experimentset-up
Codering, Impact gecodeerd, One-hot codering Verwijst naar verwerking toegepast op functiegegevens om deze bruikbaarder te maken bij modeltraining. Categorische encoding
Functiegeneratie Verwijst naar talrijke processen die resulteren in nieuwe functies. Dit kunnen nieuwe functies zijn die worden gepresenteerd als gloednieuwe entiteiten, en ook functies die worden gecreëerd door middel van codering en vrije tekstverwerking.

Nieuwe functiekolommen maken

Automatische functieontwikkeling

Categorische encoding

Kruisvalidatie met vijf folds Verwijst naar de kruisvalidatie die wordt uitgevoerd op modellen na elke iteratie van training. Evaluatiegegevens en kruisvalidatie
Optimalisatie Verwijst naar of modeltraining gebruikmaakte van intelligente of handmatige optimalisatie. Werken met modeloptimalisatie
Steekproefverhouding Verwijst naar hoeveel van de trainingsdataset werd gebruikt om het model te trainen.

Bij het gebruik van intelligente modeloptimalisatie kunnen modellen soms worden getraind op minder dan 100% van de oorspronkelijke dataset, met name voor zeer grote datasets.

Daarentegen gebruikt een experimentversie die geen intelligente modeloptimalisatie gebruikt — dat wil zeggen, handmatige optimalisatie — altijd 100% van de trainingsdataset.

Steekproef van trainingsgegevens
Splitsen Verwijst naar een automatische splitsing van de trainingsdataset in trainings- en holdoutgegevens. De holdout wordt niet gebruikt voor modeltraining, maar in plaats daarvan voor het testen van modelprestaties. Evaluatiegegevens en kruisvalidatie
U=Gebruiker overschreden Verwijst naar de gebruikersactie van het handmatig wijzigen van het functietype van het automatisch geïdentificeerde functietype. Kenmerktypen wijzigen

Machtigingen

Machtigingen voor het downloaden van een ML-experiment

Om een trainingsrapport van een ML-experiment te exporteren, hebt u weergavetoegang tot het experiment nodig. In andere woorden, u moet aan de volgende vereisten voldoen:

  • Professional- of Full User-recht in de Qlik Cloud-tenant.

  • Een van de volgende:

    • Automl Experiment Contributor ingebouwde beveiligingsrol

    • Automl Deployment Contributor ingebouwde beveiligingsrol

    • ML-experimenten beheren machtiging ingesteld op Toegestaan via User Default of aangepaste beveiligingsrol

    • ML-implementaties beheren machtiging ingesteld op Toegestaan via User Default of een aangepaste beveiligingsrol

    • Beheerdersmachtiging Beheer van ML-experimenten en -implementaties ingesteld op Toegestaan via aangepaste beveiligingsrol

  • Voor experimenten in gedeelde ruimten, hebt u een van de volgende ruimterollen nodig in de ruimte:

    • Eigenaar (van de ruimte)

    • Kan beheren

    • Kan bewerken

    • Kan bekijken

Machtigingen voor het downloaden van een ML-implementatie

Om een trainingsrapport te exporteren van een ML-implementatie, hebt u weergavetoegang nodig tot zowel de implementatie als het experiment waaruit het is geïmplementeerd.

Met andere woorden, u moet voldoen aan de volgende vereisten:

  • Professional- of Full User-recht in de Qlik Cloud-tenant.

  • Een van de volgende:

    • Automl Experiment Contributor ingebouwde beveiligingsrol

    • Automl Deployment Contributor ingebouwde beveiligingsrol

    • De machtiging ML-experimenten beheren ingesteld op Toegestaan via User Default of aangepaste beveiligingsrol

    • De machtiging ML-implementaties beheren ingesteld op Toegestaan via User Default of aangepaste beveiligingsrol

    • De beheerdersmachtiging ML-experimenten en -implementaties beheren ingesteld op Toegestaan via aangepaste beveiligingsrol

  • Voor experimenten in gedeelde ruimten, een van de volgende ruimterollen in de ruimte:

    • Eigenaar (van de ruimte)

    • Kan beheren

    • Kan bewerken

    • Kan bekijken

  • Voor implementaties in gedeelde ruimten, hebt u een van de volgende ruimterollen nodig in de gedeelde ruimte:

    • Eigenaar (van de ruimte)

    • Kan beheren

    • Kan bewerken

    • Kan bekijken

  • Voor implementaties in beheerde ruimten, hebt u een van de volgende ruimterollen nodig in de ruimte:

    • Eigenaar (van de ruimte)

    • Kan beheren

    • Kan bijdragen

    • Kan bekijken

Beperkingen

  • Trainingsrapporten zijn alleen beschikbaar voor ML‑experimenten die eind juli 2025 of later zijn gemaakt.

Was deze pagina nuttig?

Als u problemen ervaart op deze pagina of de inhoud onjuist is – een tikfout, een ontbrekende stap of een technische fout – laat het ons weten!