Analiza modeli
Qlik AutoML zapewnia bogate wrażenia wizualne do analizowania modeli uczonych w eksperymencie. Możesz analizować kluczowe wskaźniki modelu za pomocą prostego interfejsu, który zawiera automatycznie generowane podsumowania i wizualizacje. Aby zyskać bardziej szczegółową analizę i porównania, możesz użyć wbudowanej analityki.
Zanim rozpoczniesz
Przed rozpoczęciem analizy modeli przydaje się podstawowa orientacja w pojęciach związanych ze sprawdzaniem modeli. Obejmuje to wyniki modelu, ważność cech i algorytmy.
Informacje można znaleźć w temacie Omówienie pojęć związanych z przeglądem modelu.
Szybka analiza
Dzięki szybkiej analizie możesz szybko uzyskać wiedzę na temat przebiegu uczenia modelu i jakości powstałych modeli.
Przed przystąpieniem do analizy zaleca się otwarcie karty Dane, aby zobaczyć, jak użyto danych do uczenia. Może to być ważne, ponieważ w danej wersji mogło zostać stwierdzone, że cechy nie nadają się do użycia.
Otwórz kartę Modele w eksperymencie, aby zapoznać się z wynikami uczenia. Możesz szybko porównać modele i zidentyfikować najskuteczniejsze z nich.Informacje widoczne na tej karcie zależą od tego, czy korzystasz z Inteligentnej optymalizacji modelu, a także od rodzaju problemu związanego z eksperymentem.
Wszechstronny przewodnik można znaleźć w temacie Przeprowadzanie szybkiej analizy modelu.
Porównanie modeli
Skorzystaj z wbudowanych analiz, aby przeprowadzić interaktywne i dogłębne porównanie modeli. Porównania te możesz wykonać na karcie Porównaj.
Podczas porównywania modeli możesz wykonać następujące czynności:
-
Porównaj wszystkie dostępne wskaźniki modelu dla wszystkich modeli.
-
Przeglądaj i porównaj wyniki danych do uczenia i wstrzymania dla wszystkich modeli.
-
Porównaj wartości hiperparametrów we wszystkich modelach.
Wszechstronny przewodnik można znaleźć w temacie Porównanie modeli.
Szczegółowa analiza
Na karcie Analizuj eksperymentu przeprowadź szczegółową analizę konkretnego modelu. Szczegółowej analizy dokonuje się przy użyciu wbudowanej analityki. Dane można interaktywnie filtrować, aby lepiej poznać wydajność modelu dla określonych klastrów danych.
Dzięki szczegółowej analizie modelu można zidentyfikować problemy spowodowane danymi szkoleniowymi i dowiedzieć się więcej o mocnych i słabych stronach modelu.
Wszechstronny przewodnik można znaleźć w temacie Szczegółowa analiza modelu.
Następne kroki
Następne kroki mogą zależeć od sposobu optymalizacji modeli.
Inteligentna optymalizacja modeli w idealnym przypadku tworzy model gotowy do wdrożenia, który prawie lub wcale nie wymaga udoskonalenia. Jakość modeli nadal zależy od jakości danych do uczenia i konfiguracji eksperymentu. Po przeanalizowaniu modeli i rozwiązaniu wszelkich innych problemów z jakością danych lub konfiguracją eksperymentu można przystąpić do wdrożenia najskuteczniejszego modelu.
Jeśli zidentyfikujesz dalsze problemy po uruchomieniu inteligentnej optymalizacji modelu lub jeśli inteligentna optymalizacja modelu była od początku wyłączona, możesz ręcznie skonfigurować nowe wersje eksperymentu, aby ulepszyć powstałe modele.
Przykładowe kroki udoskonalania obejmują następujące czynności:
Włączenie inteligentnej optymalizacji po uruchomieniu wersji bez niej.
Wyłączenie inteligentnej optymalizacji po uruchomieniu wersji z nią. Umożliwia to dokonanie niezbędnych zmian w konfiguracji.
Zmiana lub odświeżenie danych do uczenia.
Zmiana dołączonych cech.
Zmiana sposobu postępowania z danymi cech (na przykład zmiana typu cechy).
Po osiągnięciu pożądanych wyników wdróż najlepszy model. Więcej informacji zawiera temat: