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.
Uw ervaring in een ML-experiment is anders als uw tenantbeheerder de instelling Nieuwe platformnavigatie heeft ingeschakeld in de Beheerconsole. Zo is bijvoorbeeld de naam van de paginatitel AutoML gewijzigd in ML-experiment en is de navigatiebalk bijgewerkt. Voor meer informatie over andere aspecten van de nieuwe navigatie-ervaring gaat u naar Nieuwe platformnavigatie.
Een nieuw experiment maken
Doe het volgende:
-
Klik in de Qlik Cloud Analyse-hub op Nieuwe toevoegen en selecteer Nieuw ML-experiment.
Als u de nieuwe platformnavigatie-ervaring gebruikt, gaat u naar de pagina Maken en selecteert u ML-experiment.
-
Voer een naam in voor uw experiment, zoals Zelfstudie klantverloop.
-
Voer desgewenst een beschrijving en tags in.
-
Kies een ruimte voor uw experiment. Dit kan uw persoonlijke ruimte of een gedeelde ruimte zijn.
-
Klik op Maken.
-
Selecteer het bestand Customer churn data - training.csv.
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 beginnen in de 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. Het kenmerk Country is uitgesloten vanwege de tegenovergestelde reden: de waarde is voor alle rijen gelijk. Deze twee kenmerken zouden geen waarde toevoegen aan de machine learning-modellen.
We zien ook dat het categorische kenmerk Territory impact encoded is. Plaats voor meer informatie de muisaanwijzer boven de pictogrammen waarschuwing en informatie
.
Schemaweergave voor training-dataset in Qlik AutoML
![Klik om op volledige grootte te bekijken Tabelkolom met inzichten over kenmerken.](../../Resources/Images/AutomatedMachineLearning/ui_automl_tutorial-insights.png)
Klik op het gegevensweergavepictogram om de weergave te veranderen in gegevensweergave. Hier zien we meer informatie per kolom, inclusief voorbeeldgegevens.
Gegevensweergave
![Klik om op volledige grootte te bekijken Tabelkolom met inzichten over kenmerken.](../../Resources/Images/AutomatedMachineLearning/ui_automl_tutorial-data_view.png)
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.
Doe het volgende:
-
Klik op het pictogram voor schemaweergave
om over te schakelen naar de schemaweergave.
-
Plaats de muisaanwijzer boven Churned en klik op het doelpictogram
dat wordt weergegeven.
Een rij in de schemaweergave is geselecteerd als doel
![Klik om op volledige grootte te bekijken Tabelrij voor geselecteerd doel.](../../Resources/Images/AutomatedMachineLearning/tutorial-target.png)
In het deelvenster Experimentconfiguratie zien we nu dat Churned is geselecteerd. We kunnen ook zien welke kenmerken automatisch zijn geselecteerd en uitgesloten. Omdat Churned het doel is, wordt het niet als een kenmerk gebruikt. We zien ook dat dit experiment wordt behandeld als een binair classificatieprobleem.
Informatie weergegeven op het deelvenster Experimentconfiguratie
![Klik om op volledige grootte te bekijken Tabelrij voor geselecteerd doel.](../../Resources/Images/automl-tutorial-config-pane.png)
Kenmerken selecteren
Voor deze eerste uitvoering van ons experiment, voegen we alle beschikbare kenmerken en algoritmen toe die standaard zijn geselecteerd. Maar als u nu al weet dat bepaalde kenmerken geen invloed hebben op het doel (op basis van uw zakelijke kennis), kunt u ze nu ook deselecteren en uitsluiten van de training.
Het experiment trainen
De configuratie is gereed en we zijn klaar om de training te starten.
Doe het volgende:
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.