Konfigurowanie eksperymentów

Ostatnia aktualizacja: 2026-11-10

Konfiguracja eksperymentów polega na wybraniu celu i cech, których model użyje do jego przewidywania. Można także skonfigurować szereg opcjonalnych ustawień.

Aby Ci pomóc w wyborze celu, analizowany jest zestaw historycznych danych i wyświetlane są podsumowujące statystyki dotyczące każdej jego kolumny. Do zestawu danych stosuje się kilka kroków automatycznego wstępnego przetwarzania, aby uwzględnione zostały tylko odpowiednie dane. Więcej informacji na temat wstępnego przetwarzania danych zawiera temat Automatyczne przygotowanie i przekształcanie danych.

Po uruchomieniu wersji 1 można w razie potrzeby utworzyć nowe wersje eksperymentu w celu dalszego doskonalenia uczenia modelu. Więcej informacji zawiera temat Ulepszanie modeli.

Wymagania i uprawnienia

Więcej informacji na temat wymagań dotyczących użytkowników w kontekście pracy z eksperymentami uczenia maszynowego zawiera temat Praca z eksperymentami.

Interfejs

W poniższych sekcjach opisano sposób poruszania się po interfejsie eksperymentu w celu skonfigurowania eksperymentu. Więcej informacji na temat interfejsu zawiera temat Nawigacja w interfejsie eksperymentu.

Nawigacja przy użyciu kart

Po utworzeniu eksperymentu otwiera się karta Konfiguracja. Tutaj możesz skonfigurować cel i cechy eksperymentu.

Po uruchomieniu co najmniej jednej wersji eksperymentu karta Konfiguracja zmienia się w Dane treningowe. Inne karty również stają się dostępne. Karty te umożliwiają analizę modeli, które właśnie zostały nauczone w danej wersji. Jeśli trzeba będzie skonfigurować kolejne wersje z innym wyborem cech, możesz wrócić do karty Dane szkoleniowe.

Widok schematu i Widok danych

Na karcie Konfiguracja/Dane treningowe możesz przełączać się między widokiem schematu a widokiem danych.

Widok schematu

Widok schematu jest widokiem domyślnym. W tym widoku każda kolumna w zestawie danych jest reprezentowana przez wiersz w schemacie z informacjami i statystykami.

Możesz wykonywać następujące czynności:

• Wybierz cechy do uwzględnienia w eksperymencie.

• Wyświetl szczegóły dotyczące każdej kolumny, takie jak typ danych i typ cechy.

• Wyświetl szczegółowe informacje o kolumnach, na przykład dlaczego nie można ich wybrać lub jak będą przetwarzane podczas trenowania.

Widok danych

Widok danych to alternatywna wersja widoku, której można użyć, aby uzyskać dodatkowe informacje i dane przykładowe dla każdej kolumny.

Panel Konfiguracja eksperymentu

W panelu konfiguracji eksperymentu możesz dodatkowo dostosować trenowanie eksperymentu. Ten panel jest domyślnie otwarty w nowych eksperymentach.

Po uruchomieniu wersji kliknij Wyświetl konfigurację, aby otworzyć panel konfiguracji kolejnej wersji.

Za pomocą panelu konfiguracji eksperymentu można wykonywać następujące czynności:

• Wybierz cel i typ eksperymentu

• Ustaw nazwę wersji

• Dodaj lub usuń cechy

• Skonfiguruj nową wersję eksperymentu

• Wyświetl typ trenowanego modelu

• Wybierz, aby zmienić lub odświeżyć treningowy zestaw danych

• Dodaj lub usuń algorytmy

• Zmień ustawienia optymalizacji modelu

• W przypadku modeli szeregów czasowych ustaw ustawienia prognozy

• Skonfiguruj wykrywanie stronniczości

Wybieranie kolumn cech

Kiedy cel został ustawiony, możesz wybrać, które z pozostałych dostępnych kolumn mają zostać uwzględnione w uczeniu modelu. Wyklucz wszystkie cechy, które nie powinny być uwzględniane w modelu. Zauważ, że kolumna pozostanie w zestawie danych, ale nie będzie używana przez algorytm uczenia.

U góry panelu konfiguracji eksperymentu widać liczbę komórek w zestawie danych. Jeśli liczba przekracza limit zestawu danych, możesz wykluczyć cechy, aby zejść poniżej limitu.

Kolumny cech można wybrać na różne sposoby:

W Widoku schematu i Widoku danych

W głównych widokach można wykonywać następujące czynności:

• Usuń zaznaczenie pozycji Uwzględnij wszystkie dostępne cechy, a następnie wybierz tylko te, które chcesz uwzględnić.

• Wyczyść ręcznie pola wyboru cech, których nie chcesz uwzględniać.

• Wyszukaj i wyklucz lub uwzględnij wszystkie cechy w przefiltrowanym wyniku wyszukiwania.

W panelu Konfiguracja eksperymentu

W panelu konfiguracji eksperymentu można wykonywać następujące czynności:

• Wyczyść ręcznie pola wyboru cech, których nie chcesz uwzględniać.

• Po uruchomieniu pierwszej wersji eksperymentu możesz zdefiniować Liczbę najważniejszych cech do uwzględnienia.

Podczas wybierania cech zostaje im automatycznie przypisany typ. Możliwe typy cech to:

• Kategorialne

• Liczbowe

• Data

• Dowolny tekst

Typ cechy jest przypisywany na podstawie danych zawartych w kolumnie cechy. Jeśli cecha spełnia określone kryteria, może zostać wybrana jako podstawa dla cech poddanych automatycznej inżynierii. W razie potrzeby możesz zmienić ustawienie używania danej cechy do automatycznej inżynierii. Szczegółowe informacje na temat automatycznej inżynierii cech zawiera temat Automatyczna inżynieria cech.

Niektóre kolumny w zestawie danych mogą być niedostępne jako cechy na potrzeby eksperymentu lub mogą być do nich zastosowane określone procesy przetwarzania. Wyjaśnienia dotyczące interpretacji i przetwarzania danych są wyświetlane podczas poruszania się po uczeniu w ramach eksperymentu. Więcej informacji zawiera temat Interpretowanie wniosków z zestawu danych.

Wybór algorytmów

Wszystkie dostępne algorytmy są uwzględniane domyślnie, a algorytmy, których nie chcesz używać, możesz wykluczyć. Normalnie robi się to w ramach udoskonalania modelu, po zapoznaniu się z pierwszymi wynikami uczenia. Więcej informacji: Ulepszanie modeli.

Zmiana typów danych cech

Po załadowaniu zestawu danych kolumny są traktowane jako kategorialne, liczbowe, data lub dowolny tekst na podstawie typu danych. W niektórych przypadkach trzeba zmienić to ustawienie.

Jeżeli na przykład dni tygodnia są reprezentowane przez cyfry 1–7, każda cyfra reprezentuje wartość kategorialną. Domyślnie jest traktowana jako ciągła wartość liczbowa klasyfikacji, dlatego trzeba ręcznie zmienić konfigurację, aby była traktowana jako kategorialna.

Kiedy kolumna zostanie zidentyfikowana jako zawierająca informacje o dacie i godzinie, zostanie wykorzystana jako podstawa dla nowych cech poddanych inżynierii automatycznej. Kiedy tak się stanie, oryginalna kolumna (cecha nadrzędna) jest traktowana jako mająca cechę typu data.

Typ cechy nadrzędnej można zmienić z daty na cechę kategorialną lub liczbową. Jest to na przykład przydatne, gdy cecha jest identyfikowana jako data, ale ma być traktowana jako ciąg znaków lub liczba. W takim przypadku nie będzie już można używać cech poddanych inżynierii automatycznej do uczenia w ramach eksperymentu.

Wykonaj następujące czynności:

1. W widoku schematu znajdź cechę.

2. W kolumnie Typ cechy tej cechy kliknij .

3. Wybierz wartość z listy.

Zamiast tego możesz zmienić typy cech w Widoku danych. Znajdź cechę, a następnie kliknij obok bieżącego typu cechy. Wybierz wartość z listy.

Prognozowanie szeregów czasowych

Jeśli uczysz eksperyment szeregów czasowych, pewne transformacje typów cech są automatycznie stosowane w zależności od konfiguracji. Na przykład, jeśli wybierzesz dowolne grupy do wykorzystania w prognozowaniu wielowymiarowym, typy cech tych grup są automatycznie zmieniane na kategorialne.

Wpływ na predykcje

Po ręcznej zmianie typu cechy, a następnie wdrożeniu modelu wynikowego nadpisanie typu cechy zostanie zastosowane do cechy w zestawie danych do zastosowania, który jest używany do predykcji wykonywanych przy użyciu tego modelu.

Zmiana zestawu danych

Zestaw danych do uczenia możesz zmienić przed uruchomieniem pierwszej wersji eksperymentu, a także po uruchomieniu dowolnej wersji.

Jeśli zmienisz zestaw danych przed uruchomieniem pierwszej wersji, utracisz całą konfigurację wykonaną przed zmianą zestawu danych.

Wykonaj następujące czynności:

1. W panelu konfiguracji eksperymentu w sekcji Dane treningowe > Przejrzyj zbiór danych kliknij Zmień zbiór danych.

2. Wybierz nowy zestaw danych.

Więcej informacji na temat zmiany i odświeżania zestawu danych podczas doskonalenia modelu (po uruchomieniu wersji eksperymentu) zawiera temat Zmiana i odświeżenie zestawu danych.

Konfiguracja optymalizacji modeli

Jeśli Twój typ eksperymentu to klasyfikacja binarna, klasyfikacja wieloklasowa lub regresja, możesz dostosować następujące ustawienia, aby zoptymalizować swoje modele:

• Włączanie i wyłączanie inteligentnej optymalizacji modeli

• Włączanie lub wyłączanie optymalizacji hiperparametrów

• Włączanie i wyłączanie uczenia z uwzględnieniem czasu

Opcje te można włączać i wyłączać dla każdej uruchamianej wersji eksperymentu.

Konfiguracja inteligentnej optymalizacji

W eksperymencie stosuje się domyślnie inteligentną optymalizację modelu. Dzięki inteligentnej optymalizacji modeli Qlik Predict udoskonala model za użytkownika, iterując wybór cech i stosując zaawansowane transformacje danych.

Więcej informacji o inteligentnej optymalizacji zawiera temat Inteligentna optymalizacja modelu.

Możesz wyłączyć to ustawienie, aby ręcznie doskonalić uczone modele. Na przykład możesz rozpocząć uczenie modelu od inteligentnej optymalizacji modelu, a następnie przejść do ręcznego ulepszania wersji 2, aby dokładniej dostosować konfigurację.

Wykonaj następujące czynności:

1. Kliknij Wyświetl konfigurację.

2. Jeżeli uruchomiono już co najmniej jedną wersję eksperymentu, kliknij Nowa wersja.

3. W panelu rozwiń pozycję Optymalizacja modelu.

4. Przełącz z inteligentna na Ręczna.

5. Ustaw suwakiem maksimum czasu trwania uczenia.

Konfigurowanie optymalizacji hiperparametrów

Modele można zoptymalizować przy użyciu optymalizacji hiperparametrów. Pamiętaj, że jest to opcja zaawansowana, która może znacznie wydłużyć czas uczenia. Optymalizacja hiperparametrów jest dostępna po wyłączeniu inteligentnej optymalizacji.

Więcej informacji zawiera temat Optymalizacja hiperparametrów.

Wykonaj następujące czynności:

1. Kliknij Wyświetl konfigurację.

2. Jeżeli uruchomiono już co najmniej jedną wersję eksperymentu, kliknij Nowa wersja.

3. W panelu rozwiń pozycję Optymalizacja modelu.

4. Przełącz z inteligentna na Ręczna.

5. Zaznacz pole wyboru Optymalizacja hiperparametrów.

6. Opcjonalnie ustaw limit czasowy optymalizacji. Domyślny limit czasu to jedna godzina.

Konfiguracja uczenia z uwzględnieniem czasu

Jeśli chcesz, aby modele były uczone z uwzględnieniem wymiaru szeregu czasowego, aktywuj uczenie z uwzględnieniem czasu dla wersji eksperymentu. Aby móc użyć tej opcji, musisz mieć kolumnę w zestawie danych, która zawiera odpowiednie informacje o szeregach czasowych.

Po włączeniu uczenia z uwzględnieniem czasu Qlik Predict wykorzystuje do uczenia modeli specjalistyczne procesy walidacji krzyżowej oraz imputacji wartości null.

Więcej informacji zawierają tematy Tworzenie modeli uwzględniających czas oraz Walidacja krzyżowa oparta na czasie.

Wykonaj następujące czynności:

1. Kliknij Wyświetl konfigurację.

2. Jeżeli uruchomiono już co najmniej jedną wersję eksperymentu, kliknij Nowa wersja.

3. W panelu rozwiń pozycję Optymalizacja modelu.

4. W sekcji Czasowy podział test/uczenie wybierz Indeks daty, który ma zostać użyty do sortowania danych.

Wyświetlanie wniosków na temat danych do uczenia

Na karcie Konfiguracja/Dane treningowe eksperymentu możesz wyświetlić szczegółowe informacje dotyczące obsługi danych treningowych. Te informacje są dostępne zarówno w widoku schematu, jak i w widoku danych. Wyświetlane informacje zależą od tego, czy uruchomiono wersję z bieżącymi danymi do uczenia. Zmiany we Wnioskach mogą pomóc w ustaleniu, dlaczego cechy mogą być niedostępne lub dlaczego zostały automatycznie usunięte.

Więcej informacji na temat znaczenia poszczególnych wniosków zawiera temat Interpretowanie wniosków z zestawu danych.