Konfigurowanie eksperymentów

Konfiguracja eksperymentów polega na wyborze celu i cech, których model użyje do przewidywania celu. Można również skonfigurować szereg ustawień opcjonalnych.

Aby wesprzeć Cię w wyborze celu, historyczny zestaw danych jest analizowany, a dla każdej kolumny w zestawie danych wyświetlane są statystyki podsumowujące. Do zestawu danych stosowanych jest kilka automatycznych kroków wstępnego przetwarzania, aby upewnić się, że uwzględniane są tylko odpowiednie dane. Więcej szczegółów na temat wstępnego przetwarzania danych można znaleźć w Automatyczne przygotowanie i przekształcanie danych.

Po uruchomieniu wersji 1 (v1) można w razie potrzeby utworzyć nowe wersje eksperymentu, aby dalej udoskonalać trenowanie modelu. Więcej informacji można znaleźć w Dopracowywanie modeli.

Wymagania i uprawnienia

Aby dowiedzieć się więcej o wymaganiach użytkownika dotyczących pracy z eksperymentami uczenia maszynowego (ML), zobacz Praca z eksperymentami.

Interfejs

Poniższe sekcje opisują, jak poruszać się po interfejsie eksperymentu, aby skonfigurować eksperyment. Więcej informacji o interfejsie można znaleźć w Nawigacja po interfejsie eksperymentu.

Nawigacja w kartach

Po utworzeniu eksperymentu otwiera się karta Konfiguracja. W tym miejscu można skonfigurować cel i cechy dla eksperymentu.

Po uruchomieniu co najmniej jednej wersji eksperymentu karta Konfiguracja zmienia się w Dane treningowe. Dostępne stają się również inne karty. Te inne karty pozwalają na analizę modeli, które właśnie zostały wytrenowane w danej wersji. Jeśli musisz skonfigurować kolejne wersje z różnymi wyborami cech, możesz wrócić do karty Dane treningowe.

Widok schematu i Widok danych

Na karcie Konfiguracja/Dane treningowe można przełączać się między Widokiem schematu a Widokiem danych.

Widok schematu

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

Możesz:

• Wybierać cechy do uwzględnienia w eksperymencie.

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

• Wyświetlać spostrzeżenia dotyczące kolumn, na przykład dlaczego nie można ich wybrać lub jak będą przetwarzane podczas trenowania.

Widok danych

Widok danych to alternatywna opcja widoku, której można użyć, aby uzyskać dostęp do większej ilości informacji i danych przykładowych dla każdej kolumny.

Panel konfiguracji eksperymentu

W panelu konfiguracji eksperymentu można dalej dostosowywać trenowanie eksperymentu. Ten panel jest domyślnie otwarty w nowych eksperymentach.

Po uruchomieniu wersji kliknij Wyświetl konfigurację, aby otworzyć panel w celu skonfigurowania następnej wersji.

Za pomocą panelu konfiguracji eksperymentu można:

• 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

Wybór kolumn cech

Po ustawieniu celu można wybrać, które z pozostałych dostępnych kolumn mają zostać uwzględnione w trenowaniu modelu. Wyklucz wszelkie cechy, których nie chcesz uwzględniać w modelu. Zwróć uwagę, że kolumna pozostanie w zestawie danych, ale nie będzie używana przez algorytm trenowania.

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

Kolumny cech można wybierać na różne sposoby:

W Widoku schematu i Widoku danych

W głównych widokach można:

• Odznaczyć opcję Uwzględnij wszystkie dostępne cechy, a następnie wybrać tylko te, które chcesz uwzględnić.

• Ręcznie wyczyścić pola wyboru dla cech, których nie chcesz uwzględniać.

• Wyszukać i wykluczyć lub uwzględnić wszystkie cechy w przefiltrowanych wynikach wyszukiwania.

W panelu konfiguracji eksperymentu

W panelu konfiguracji eksperymentu można:

• Ręcznie wyczyścić pola wyboru dla cech, których nie chcesz uwzględniać.

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

Po wybraniu cech automatycznie przypisywany jest im typ cechy. Możliwe typy cech to:

• Kategoryczny

• Numeryczny

• 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 automatycznie generowanych cech. W razie potrzeby można zmienić to, czy cecha jest używana do automatycznego inżynierowania cech. Pełne informacje na temat automatycznego inżynierowania cech można znaleźć w Automatyczna inżynieria cech.

Niektóre kolumny w zestawie danych mogą nie być możliwe do wybrania jako cechy dla eksperymentu lub mogą podlegać określonemu przetwarzaniu. Wyjaśnienia dotyczące sposobu interpretacji i przetwarzania danych są wyświetlane podczas nawigacji po trenowaniu eksperymentu. Więcej informacji można znaleźć w Interpretowanie wglądów w zestaw danych.

Wybór algorytmów

Wszystkie dostępne algorytmy są domyślnie uwzględnione i można wykluczyć dowolne algorytmy, których nie chcesz używać. Zazwyczaj robi się to w ramach udoskonalania modelu po zapoznaniu się z pierwszymi wynikami trenowania. Przeczytaj więcej w Dopracowywanie modeli.

Zmiana typów cech

Po załadowaniu zestawu danych kolumny są traktowane jako kategoryczne, numeryczne, daty lub dowolny tekst na podstawie typu danych i innych cech. W niektórych przypadkach może być konieczna zmiana tego ustawienia.

Na przykład, jeśli dni tygodnia są reprezentowane przez liczby 1-7, każda liczba reprezentuje wartość kategoryczną. Domyślnie jest ona traktowana jako ciągła, uszeregowana wartość numeryczna, więc konieczna byłaby ręczna zmiana konfiguracji, aby traktować ją jako kategoryczną.

Gdy kolumna zostanie zidentyfikowana jako zawierająca informacje o dacie i godzinie, jest używana jako podstawa dla nowych, automatycznie generowanych cech. W takim przypadku oryginalna kolumna (cecha nadrzędna) jest traktowana jako mająca typ cechy daty.

Można zmienić cechę nadrzędną z cechy daty na cechę kategoryczną lub numeryczną. Na przykład jest to przydatne, gdy cecha zostanie zidentyfikowana jako data, ale musi być traktowana jako ciąg znaków lub liczba. Po wykonaniu tej czynności nie można już używać jej automatycznie generowanych cech w trenowaniu eksperymentu.

Wykonaj następujące czynności:

1. W Widoku schematu zlokalizuj cechę.

2. W kolumnie Typ cechy dla tej cechy kliknij .

3. Wybierz wartość z listy.

Alternatywnie można zmienić typy cech z poziomu Widoku danych. Zlokalizuj cechę, a następnie kliknij obok bieżącego typu cechy. Wybierz wartość z listy.

Prognozowanie szeregów czasowych

Jeśli trenujesz eksperyment szeregów czasowych, pewne transformacje typów cech są stosowane automatycznie w zależności od konfiguracji. Na przykład, jeśli wybierzesz jakiekolwiek grupy do użycia w prognozowaniu wielowymiarowym, typy cech tych grup zostaną automatycznie przełączone na kategoryczne.

Wpływ na przewidywania

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 treningowych można 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 zestaw danych kliknij Zmień zestaw danych.

2. Wybierz nowy zestaw danych.

Więcej informacji o zmianie i odświeżaniu zestawu danych podczas udoskonalania modelu (po uruchomieniu wersji eksperymentu) można znaleźć w Zmiana i odświeżanie zestawu danych.

Konfigurowanie optymalizacji modelu

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

• Włączanie lub wyłączanie inteligentnej optymalizacji modelu

• Włączanie lub wyłączanie optymalizacji hiperparametrów

• Włączanie lub wyłączanie trenowania uwzględniającego czas

Te opcje można włączać lub wyłączać dla każdej uruchamianej wersji eksperymentu.

Konfigurowanie inteligentnej optymalizacji

Domyślnie eksperyment wykorzystuje inteligentną optymalizację modelu. Dzięki inteligentnej optymalizacji modelu Qlik Predict obsługuje proces udoskonalania modelu za Ciebie, iterując wybór cech i stosując zaawansowane transformacje do Twoich danych.

Więcej informacji o inteligentnej optymalizacji można znaleźć w Inteligentna optymalizacja modelu.

Można wyłączyć to ustawienie, aby ręcznie udoskonalać trenowane modele. Na przykład możesz chcieć rozpocząć trenowanie modelu z inteligentną optymalizacją modelu, a następnie przełączyć się na ręczne udoskonalanie w wersji 2 (v2), aby dalej dostosowywać konfigurację.

Wykonaj następujące czynności:

1. Kliknij Wyświetl konfigurację.

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

3. W panelu rozwiń Optymalizacja modelu.

4. Przełącz z Inteligentna na Ręczna.

5. Za pomocą suwaka ustaw maksymalny czas trwania trenowania.

Konfigurowanie optymalizacji hiperparametrów

Modele można optymalizować za pomocą optymalizacji hiperparametrów. Należy pamiętać, że jest to opcja zaawansowana, która może znacznie wydłużyć czas trenowania. Optymalizacja hiperparametrów jest dostępna po wyłączeniu inteligentnej optymalizacji.

Więcej informacji można znaleźć w Optymalizacja hiperparametrów.

Wykonaj następujące czynności:

1. Kliknij Wyświetl konfigurację.

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

3. W panelu rozwiń Optymalizacja modelu.

4. Przełącz z Inteligentna na Ręczna.

5. Zaznacz pole wyboru Optymalizacja hiperparametrów.

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

Konfigurowanie trenowania uwzględniającego czas

Jeśli chcesz, aby Twoje modele były trenowane z uwzględnieniem wymiaru szeregów czasowych, aktywuj trenowanie uwzględniające czas dla wersji eksperymentu. Aby skorzystać z tej opcji, musisz mieć w zestawie danych kolumnę zawierającą odpowiednie informacje o szeregach czasowych.

Gdy trenowanie uwzględniające czas jest włączone, Qlik Predict wykorzystuje specjalistyczne procesy walidacji krzyżowej i imputacji wartości pustych do trenowania modeli.

Więcej informacji można znaleźć w Tworzenie modeli uwzględniających czas i Walidacja krzyżowa oparta na czasie.

Wykonaj następujące czynności:

1. Kliknij Wyświetl konfigurację.

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

3. W panelu rozwiń Optymalizacja modelu.

4. W sekcji Podział na zbiór testowy i treningowy na podstawie czasu wybierz Indeks daty, który ma zostać użyty do sortowania danych.

Wyświetlanie spostrzeżeń dotyczących danych treningowych

Na karcie Konfiguracja/Dane treningowe eksperymentu można wyświetlić spostrzeżenia dotyczące obsługi danych treningowych. Informacje te są dostępne w kolumnie Spostrzeżenia w Widoku schematu. Wyświetlane informacje zależą od tego, czy uruchomiono wersję z bieżącymi danymi treningowymi. Zmiany w kolumnie Spostrzeżenia mogą pomóc w zidentyfikowaniu, dlaczego cechy mogą być niedostępne do użycia lub dlaczego zostały automatycznie odrzucone.

Więcej informacji o tym, co oznacza każde spostrzeżenie, można znaleźć w Interpretowanie wglądów w zestaw danych.