Analizowanie modeli
Qlik Predict zapewnia bogate wizualne środowisko do analizowania modeli trenowanych w eksperymencie. Możesz analizować kluczowe metryki modeli za pomocą prostego interfejsu, który zawiera automatycznie generowane rekomendacje, podsumowania i wizualizacje. W celu przeprowadzenia bardziej szczegółowej analizy i porównań możesz użyć wbudowanych analiz.
Przed rozpoczęciem
Przed rozpoczęciem analizowania modeli pomocne może być podstawowe zrozumienie pojęć związanych z przeglądem modeli. Obejmuje to oceny modeli, ważność cech i algorytmy.
Aby uzyskać informacje, zapoznaj się z sekcją Omówienie pojęć związanych z przeglądem modelu.
Szybka analiza
Dzięki szybkiej analizie możesz szybko dowiedzieć się, jak przebiegło trenowanie modelu oraz jaka jest jakość uzyskanych modeli. Możesz także sprawdzić, które modele są zalecane na podstawie typowych wymagań.
Przed przystąpieniem do analizy zaleca się otwarcie karty Dane treningowe, aby zobaczyć, jak zostały obsłużone dane treningowe. Może to być ważne, ponieważ niektóre cechy mogły zostać uznane za bezużyteczne w tej wersji.
Otwórz kartę Modele w eksperymencie, aby uzyskać przegląd wyników trenowania. Możesz szybko porównać modele i zidentyfikować te o najlepszych wynikach. Informacje widoczne na tej karcie zależą od tego, czy używasz inteligentnej optymalizacji modeli (Inteligentna), a także od typu problemu w eksperymencie.
Więcej informacji można znaleźć w następujących sekcjach:
Porównanie modeli
Użyj wbudowanych analiz, aby przeprowadzić interaktywne, szczegółowe porównanie modeli. Porównania te można przeprowadzić na karcie Porównaj.
Podczas porównywania modeli możesz:
-
Porównać wszystkie dostępne metryki modeli dla wszystkich modeli.
-
Wyświetlić i porównać oceny treningowe i wstrzymane (holdout) dla wszystkich modeli.
-
Porównać wartości hiperparametrów we wszystkich modelach.
Kompleksowy przewodnik zawiera sekcja Porównanie modeli.
Szczegółowa analiza
Na karcie Analizuj eksperymentu możesz przeprowadzić szczegółową analizę konkretnego modelu. Szczegółowa analiza jest wykonywana przy użyciu wbudowanych analiz. Możesz interaktywnie filtrować dane, aby lepiej zrozumieć wydajność modelu dla określonych klastrów danych.
Dzięki szczegółowej analizie modelu możesz zidentyfikować problemy spowodowane przez dane treningowe i dowiedzieć się więcej o mocnych i słabych stronach modelu.
Kompleksowy przewodnik zawiera sekcja Szczegółowa analiza modelu.
Pobieranie raportów z trenowania
Aby uzyskać dodatkowe szczegóły, możesz pobrać raporty z trenowania dla modeli w eksperymencie. Raport z trenowania zawiera szczegółowe podsumowanie sposobu wytrenowania modelu, dostarczając kompleksowych informacji na temat wstępnego przetwarzania, przekształceń cech, wersjonowania eksperymentu i metryk modelu. Raporty z trenowania są eksportowane bezpośrednio na komputer lokalny.
Więcej informacji zawiera sekcja Pobieranie raportów z uczenia maszynowego.
Kolejne kroki
Kolejne kroki mogą zależeć od sposobu optymalizacji modeli.
Inteligentna optymalizacja modeli idealnie tworzy model gotowy do wdrożenia przy minimalnym stopniu dalszego dostrajania lub bez niego. Jakość modeli nadal zależy od jakości danych treningowych, konfiguracji eksperymentu oraz wszelkich wymagań specyficznych dla danego przypadku użycia prognozowania. Po przeanalizowaniu modeli i rozwiązaniu wszelkich innych problemów z jakością danych lub konfiguracją eksperymentu wszystko jest gotowe, aby wdrożyć model najlepiej odpowiadający Twoim wymaganiom.
Jeśli po uruchomieniu inteligentnej optymalizacji modeli zidentyfikujesz dalsze problemy lub jeśli inteligentna optymalizacja modeli została wyłączona od samego początku, możesz ręcznie skonfigurować nowe wersje eksperymentu, aby ulepszyć uzyskane modele.
Przykłady kroków dostrajania obejmują:
-
Włączenie inteligentnej optymalizacji po rozpoczęciu pracy bez niej.
-
Wyłączenie inteligentnej optymalizacji po uruchomieniu wersji z nią. Pozwala to na wprowadzanie poprawek w konfiguracji w zależności od potrzeb.
-
Zmianę lub odświeżenie danych treningowych.
-
Zmianę uwzględnionych cech.
-
Zmianę sposobu obsługi danych cech (na przykład zmianę typu cechy dla danej cechy).
Po osiągnięciu pożądanych wyników wdróż jeden lub więcej modeli. Więcej informacji można znaleźć w następujących sekcjach: