Werken met experimenten
Laad historische gegevens in een geautomatiseerd machine learning-experiment en train een model om een zakelijk probleem te analyseren en te voorspellen.
U kunt experimenten maken en bewerken in persoonlijke of gedeelde ruimten.
Werkstroom
Voordat u een geautomatiseerd machine learning-experiment maakt in Qlik Cloud Analyse, moet u een goed gedefinieerde machine learning-vraag en een geschikte trainingsgegevensset beschikbaar hebben in de Catalogus. Zie Definieer machine learning-vragen en Uw dataset voorbereiden voor training voor meer informatie.
De volgende stappen beschrijven een experimentwerkstroom.
- Uw experiment maken
Maak een nieuw experiment in Qlik Cloud. Voeg het toe aan een gedeelde ruimte als u wilt samenwerken.
- Uw experiment configureren
Selecteer een doel om voorspellingen over te doen en functies om de voorspelling te ondersteunen.
- De training starten
Start de training van uw eerste experimentversie.
- Aanbevolen modellen beoordelen
Beoordeel hoe de modeltraining is verlopen en evalueer de modellen die aan u zijn aanbevolen. Gebruik de ingebouwde tools om trainingssamenvattingen en ingesloten analyses te analyseren, die inzichten bieden op experiment-, versie- en modelniveau.
Als verdere verfijning nodig is, kunt u volgende versies van het experiment configureren. Pas parameters aan, zoals functies en algoritmen, en train nieuwe versies van het experiment opnieuw totdat u een goed model hebt.
- Het model implementeren
Wanneer u een goed model hebt, is het tijd om het te implementeren en te beginnen met het doen van voorspellingen.
Vereisten en machtigingen
Voor informatie over de vereiste ruimterollen voor het werken met ML-experimenten in gedeelde ruimten, raadpleegt u:
Als u een beheerder bent, raadpleegt u Wie kan werken met Qlik Predict voor een uitgebreid overzicht van de vereiste gebruikersmachtigingen voor het werken met ML-experimenten.
Herkomst en impactanalyse bekijken
Met behulp van de tools Herkomst en Impactanalyse in Qlik Cloud kunt u het volgende analyseren:
-
De oorsprong van een ML-experiment en de gegevens die zijn gebruikt om elk model te trainen.
-
Hoe het ML-experiment en de bijbehorende uitvoer worden gebruikt in downstream-inhoud in Qlik Cloud.