Ga naar hoofdinhoud Ga naar aanvullende inhoud

Het experiment maken en configureren

De eerste stap is om het experiment te maken en configureren. U gebruikt de gegevensverzameling voor training die u eerder hebt geüpload om het model te trainen tot het klaar is om te worden ingezet om voorspellingen te maken.

Een nieuw 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 Zelfstudie klantverloop.

  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 bestand van de trainings-gegevensverzameling. Dit is een van de volgende, afhankelijk van het feit of u werkt met CSV of QVD:

    • ML - Churn data - training.qvd

    • ML - Churn data - apply.qvd

De gegevens controleren

U bent nu klaar om te beginnen met de configuratie van uw experiment, maar voordat u begint, gaan we eerst de gegevensverzameling bekijken.

We starten op het tabblad Gegevens. De standaardweergave is de Tabelrijen schemaweergave Hier zien we een tabel waarbij iedere rij een kolom in uw gegevensverzameling vertegenwoordigt. Er zijn statistieken en inzichten gegenereerd tijdens de automatische voorbereiding van de gegevens. Om de inzichten te zien, dient u mogelijk aan de rechterkant van het schema te scrollen.

We kunnen zien dat AccountID is uitgesloten vanwege een hoge kardinaliteit. Dat betekent dat de kolom te veel unieke waarden bevat. De functie Country is uitgesloten vanwege de tegenovergestelde reden: de waarde is voor alle rijen gelijk. Deze twee functies zouden geen waarde toevoegen aan de machine learning-modellen.

We zien ook dat de categorische functie Territory impact encoded is. Plaats voor meer informatie de muisaanwijzer boven de pictogrammen waarschuwing Waarschuwingsdriehoek en informatie Waarschuwingsdriehoek.

Schemaweergave voor trainings-gegevensverzameling in Qlik Predict

Schemaweergave in ML-experiment met inzichten over functies.

Klik op Gegevensweergave Gegevensweergave. In deze weergave zien we meer informatie per kolom, inclusief voorbeeldgegevens.

Gegevensweergave

Gegevensweergave in de experimentconfiguratie.

Een 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.

  1. Ga terug naar de Tabelrijen schemaweergave.

  2. Plaats de muisaanwijzer boven Churned en klik op het doelpictogram Doel dat wordt weergegeven.

Een rij in de schemaweergave is geselecteerd als doel

Tabelrij voor geselecteerd doel.

In het venster voor experimentconfiguratie zien we nu dat Churned is geselecteerd. We kunnen ook zien welke functies automatisch zijn geselecteerd en uitgesloten. Churned is het doel, dus het wordt niet als functie gebruikt. We zien ook dat dit experiment wordt behandeld als een binair classificatieprobleem.

Informatie weergegeven op het deelvenster Experimentconfiguratie

Venster voor experimentconfiguratie met geselecteerd doel en standaard functieselectie

Functieselectie en modeloptimalisatie

Het experiment wordt standaard uitgevoerd met intelligente modeloptimalisatie. Om te bevestigen, vouwt u Modeloptimalisatie in het venster Experimentconfiguratie uit. De optie Intelligent moet zijn geselecteerd.

Intelligente modeloptimalisatie bevestigen in het venster Experimentconfiguratie

Venster Experimentconfiguratie met intelligente modeloptimalisatie ingeschakeld

De functieselectie kan handmatig worden geconfigureerd in de sectie Functies van het configuratiescherm. Met intelligente modeloptimalisatie wordt functieselectie automatisch verwerkt door het verwijderen van ongeschikte functies. Als deze instelling ingeschakeld is, kunnen we alle beschikbare functies in de training opnemen.

Het experiment trainen

De configuratie is gereed en we zijn klaar om de training te starten.

  • Klik rechtsonderaan in het experimentvenster op Experiment uitvoeren.

Als het experiment is uitgevoerd, gaan we verder met de volgende stap: controle van de resulterende metrische gegevens van het model.

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!