# Wyświetlanie wglądów w dane treningowe
W miarę dodawania danych treningowych i uruchamiania wersji treningu możesz uzyskiwać dostęp do wglądów w sposób obsługi danych. Sekcja Wglądy zawiera informacje o celu i cechach w eksperymencie, takich jak cechy, które zostały odrzucone, są niedostępne lub zostaną zakodowane przy użyciu specjalnego przetwarzania.
Kolumna Wglądy znajduje się w widoku the Widok schematu icon na karcie Konfiguracja/Dane treningowe. Skrócone wglądy są również dostępne w widoku the Widok danych icon . Wglądy są tworzone indywidualnie dla każdego modelu trenowanego w ramach eksperymentu.
Kolumna Wglądy w widoku Widok schematu
Kolumna Wglądy w widoku Widok schematu
Kolumna WglądyWglądy w widoku Widok schematuWidok schematu 
Wglądy są generowane:
* Po dodaniu lub zmianie danych treningowych, ale przed uruchomieniem jakichkolwiek wersji eksperymentu.
* Po uruchomieniu każdej wersji eksperymentu. Dla każdego trenowanego modelu tworzony jest oddzielny zestaw wglądów.
Wglądy mogą się różnić przed uruchomieniem wersji i po jej uruchomieniu. Dzieje się tak, ponieważ po rozpoczęciu treningu narzędzie Qlik Predict może wstępnie przetworzyć dane i dokładniej zdiagnozować problemy z nimi. Aby uzyskać więcej informacji, zobacz [Automatyczne przygotowanie i przekształcanie danych](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/preprocessing-steps.htm).
## Wyświetlanie wglądów przed treningiem
Przed uruchomieniem wersji eksperymentu można przeanalizować Wglądy, aby zobaczyć, jak interpretowane są bieżące dane treningowe. Te wglądy mogą ulec zmianie po uruchomieniu wersji.
Wykonaj następujące czynności:
1. Upewnij się, że do eksperymentu dodano dane treningowe, których chcesz użyć w wersji eksperymentu.
2. Otwórz kartę Konfiguracja/Dane treningowe.
3. Upewnij się, że jesteś w widoku the Widok schematu icon .
4. Przeanalizuj kolumnę Wglądy. Ekrany pomocy dostarczają dodatkowego kontekstu dla wglądów. Dalsze wyjaśnienia znaczenia poszczególnych wglądów zawiera sekcja [Interpretowanie wglądów w zestaw danych](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/dataset-insights.htm#Explanations).
## Wyświetlanie wglądów dla modelu
Po zakończeniu trenowania modeli dla wersji eksperymentu wybierz model i sprawdź, jak zostały obsłużone dane.
Wykonaj następujące czynności:
1. Uruchom wersję eksperymentu, a następnie otwórz kartę Konfiguracja/Dane treningowe.
2. Wybierz model z listy rozwijanej na pasku narzędzi.
3. Upewnij się, że jesteś w widoku the Widok schematu icon .
4. Przeanalizuj kolumnę Wglądy. Ekrany pomocy dostarczają dodatkowego kontekstu dla wglądów. Dalsze wyjaśnienia znaczenia poszczególnych wglądów zawiera sekcja [Interpretowanie wglądów w zestaw danych](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/dataset-insights.htm#Explanations).
## Interpretowanie wglądów w zestaw danych
Poniższe tabele zawierają więcej szczegółów na temat możliwych wglądów, które mogą być wyświetlane w schemacie.
### Wglądy ogólne
Wglądy w zestaw danych — Ogólne
| Wgląd | Znaczenie | Wpływ na konfigurację | Kiedy wgląd jest określany | Dodatkowe odnośniki |
| --- | --- | --- | --- | --- |
| Stała | Kolumna ma tę samą wartość dla wszystkich wierszy. | Kolumna nie może być używana jako cel ani uwzględniona cecha. | Przed uruchomieniem wersji i po jej uruchomieniu | [Kardynalność](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/cardinality.htm) |
| Zakodowane metodą one-hot | Typ cechy to kategoryczny, a kolumna ma mniej niż 14 unikalnych wartości. | Brak wpływu na konfigurację. | Przed uruchomieniem wersji i po jej uruchomieniu | [Kodowanie kategorialne](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/categorical-encoding.htm) |
| Zakodowane metodą impact | Typ cechy to kategoryczny, a kolumna ma 14 lub więcej unikalnych wartości. | Brak wpływu na konfigurację. | Przed uruchomieniem wersji i po jej uruchomieniu | [Kodowanie kategorialne](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/categorical-encoding.htm) |
| Wysoka kardynalność | Kolumna ma zbyt wiele unikalnych wartości, co może negatywnie wpłynąć na wydajność modelu, jeśli zostanie użyta jako cecha. | Kolumna nie może być używana jako cel. Zostanie automatycznie wykluczona jako cecha, ale w razie potrzeby nadal można ją uwzględnić. | Przed uruchomieniem wersji i po jej uruchomieniu | [Kardynalność](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/cardinality.htm) |
| Rzadkie dane | Kolumna zawiera zbyt wiele wartości pustych (null). | Kolumna nie może być używana jako cel ani uwzględniona cecha. | Przed uruchomieniem wersji i po jej uruchomieniu | [Imputacja wartości null](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/null-imputation.htm) |
| Niedoreprezentowana klasa | Kolumna zawiera klasę z mniej niż 10 wierszami. | Kolumna nie może być używana jako cel, ale może być uwzględniona jako cecha. | Przed uruchomieniem wersji i po jej uruchomieniu | - |
| Przekształcenie cechy nie powiodło się | Typ cechy został ręcznie zmieniony z typu domyślnego. Przy tej konfiguracji wystąpił błąd. | Wersja eksperymentu nie może zostać pomyślnie uruchomiona z tym przekształceniem cechy. Przywróć poprzednią wartość typu cechy lub wyklucz cechę z treningu. | Po uruchomieniu wersji | [Zmiana typów cech](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/configuring-experiments.htm#Changing) |
### Wglądy dotyczące automatycznej inżynierii cech
Wglądy w zestaw danych — Automatyczna inżynieria cech
| Wgląd | Znaczenie | Wpływ na konfigurację | Kiedy wgląd jest określany | Dodatkowe odnośniki |
| --- | --- | --- | --- | --- |
| <liczba> automatycznie wygenerowanych cech | Kolumna jest cechą nadrzędną, która może służyć do generowania automatycznie wygenerowanych cech. | Jeśli ta cecha nadrzędna zostanie zinterpretowana jako cecha daty, zostanie automatycznie usunięta z konfiguracji. Zaleca się użycie w zamian automatycznie wygenerowanych cech daty, które można z niej utworzyć. Istnieje możliwość zastąpienia tego ustawienia i uwzględnienia tej cechy zamiast cech automatycznie wygenerowanych. | Przed uruchomieniem wersji i po jej uruchomieniu | [Automatyczna inżynieria cech](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/automatic-feature-engineering.htm) |
| Automatycznie wygenerowana cecha | Kolumna jest automatycznie wygenerowaną cechą, która może być lub została wygenerowana z nadrzędnej cechy daty. Nie występowała ona w oryginalnym zestawie danych. | Możesz usunąć jedną lub wiele z tych automatycznie wygenerowanych cech podczas treningu eksperymentu. Jeśli zmienisz typ cechy nadrzędnej na kategoryczny, wszystkie automatycznie wygenerowane cechy zostaną usunięte. | Przed uruchomieniem wersji i po jej uruchomieniu | [Automatyczna inżynieria cech](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/automatic-feature-engineering.htm) |
| Nie można przetworzyć jako daty | Kolumna prawdopodobnie zawiera informacje o dacie i godzinie, ale nie można jej było użyć do utworzenia automatycznie wygenerowanych cech daty. | Cecha zostaje odrzucona z konfiguracji. Jeśli automatycznie wygenerowane cechy zostały wcześniej utworzone z tej cechy nadrzędnej, zostaną one usunięte z przyszłych wersji eksperymentu. Nadal możesz używać tej cechy w eksperymencie, ale musisz zmienić jej typ na kategoryczny. | Po uruchomieniu wersji | [Automatyczna inżynieria cech](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/automatic-feature-engineering.htm#Date) |
| Możliwy wolny tekst | Kolumna może być dostępna do użycia jako cecha wolnego tekstu. | Do kolumny przypisywany jest typ cechy wolnego tekstu. Musisz uruchomić wersję eksperymentu, aby potwierdzić, czy cecha może być przetwarzana jako wolny tekst. | Przed uruchomieniem wersji | [Automatyczna inżynieria cech](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/automatic-feature-engineering.htm#FreeText) |
| Wolny tekst | Potwierdzono, że kolumna zawiera wolny tekst. Może być przetwarzana jako wolny tekst. | Dla tej cechy nie są wymagane żadne dodatkowe konfiguracje. | Po uruchomieniu wersji | [Automatyczna inżynieria cech](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/automatic-feature-engineering.htm#FreeText) |
| Nie można przetworzyć jako wolnego tekstu | Po dalszej analizie okazuje się, że kolumna nie może być przetwarzana jako wolny tekst. | Musisz odznaczyć tę cechę w konfiguracji dla następnej wersji eksperymentu. Jeśli cecha nie ma wysokiej kardynalności, możesz alternatywnie zmienić jej typ na kategoryczny. | Po uruchomieniu wersji | [Automatyczna inżynieria cech](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/automatic-feature-engineering.htm#FreeText) |
### Wglądy dotyczące inteligentnej optymalizacji modelu
Wglądy w zestaw danych — Inteligentna optymalizacja modelu
| Wgląd | Znaczenie | Wpływ na konfigurację | Kiedy wgląd jest określany | Dodatkowe odnośniki |
| --- | --- | --- | --- | --- |
| Wyciek celu | Istnieje podejrzenie, że na cechę wpływa wyciek celu. Jeśli tak, zawiera ona informacje o kolumnie docelowej, którą próbujesz przewidzieć. Cechy z wyciekiem celu mogą dawać złudne poczucie pewności co do wydajności modelu. W rzeczywistych prognozach powodują one, że model działa bardzo słabo. | Cecha nie została użyta do wytrenowania modelu. | Po uruchomieniu wersji | [Wyciek danych](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/data-leakage.htm) |
| Niska ważność permutacji | Cecha ma niewielki wpływ na prognozy modelu lub nie ma go wcale. Usunięcie tych cech poprawia wydajność modelu poprzez zmniejszenie szumu statystycznego. | Cecha nie została użyta do wytrenowania modelu. | Po uruchomieniu wersji | [Omówienie ważności permutacji](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/permutation-importance.htm) |
| Silnie skorelowana | Cecha wykazuje silną korelację z jedną lub większą liczbą innych cech w eksperymencie. Posiadanie cech, które są silnie skorelowane ze sobą, obniża wydajność modelu. | Cecha nie została użyta do wytrenowania modelu. Cecha, z którą jest silnie skorelowana, nie została odrzucona z powodu silnej korelacji, ale mogła zostać odrzucona z innego powodu, takiego jak niska ważność permutacji. | Po uruchomieniu wersji | [Korelacja](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/correlation.htm) |
### Wglądy dotyczące prognozowania szeregów czasowych
Wglądy w zestaw danych — Prognozowanie szeregów czasowych
| Wgląd | Znaczenie | Wpływ na konfigurację | Kiedy wgląd jest określany | Dodatkowe odnośniki |
| --- | --- | --- | --- | --- |
| Możliwy indeks daty | Cecha może być potencjalnie użyta jako indeks daty dla eksperymentu szeregów czasowych. | W przypadku użycia jako indeksu daty szeregów czasowych dane w kolumnie mogą wpływać na aspekty konfiguracji szeregów czasowych, takie jak horyzont prognozy w przyszłość.
Wartości w indeksie daty muszą rosnąć z każdym wierszem lub unikalną wartością grupy w stałym odstępie czasu. | Przed uruchomieniem wersji | [Praca z eksperymentami szeregów czasowych](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/time-series-experiment.htm)
[Indeks daty](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#DateIndex) |
### Wglądy dotyczące wykrywania uprzedzeń
Wglądy w zestaw danych — Wykrywanie uprzedzeń
| Wgląd | Znaczenie | Wpływ na konfigurację | Kiedy wgląd jest określany | Dodatkowe odnośniki |
| --- | --- | --- | --- | --- |
| Wykryto uprzedzenie w danych | W odniesieniu do wartości w kolumnie docelowej niektóre grupy (wartości) są niedoreprezentowane w porównaniu z innymi. | Przeanalizuj wyniki wykrywania uprzedzeń, aby określić kolejne kroki — mogą one obejmować odrzucenie cechy, zmianę zestawu danych lub utworzenie nowego eksperymentu ze zmodyfikowaną strukturą. | Po uruchomieniu wersji | [Wykrywanie stronniczości w modelach uczenia maszynowego](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/bias-detection.htm) |
| Wykryto uprzedzenie reprezentacji | Wykryto uprzedzenie w sposobie, w jaki wytrenowany model wykorzystuje dane z cechy do tworzenia prognoz. | Przeanalizuj wyniki wykrywania uprzedzeń, aby określić kolejne kroki — mogą one obejmować odrzucenie cechy, zmianę zestawu danych lub utworzenie nowego eksperymentu ze zmodyfikowaną strukturą. | Po uruchomieniu wersji | [Wykrywanie stronniczości w modelach uczenia maszynowego](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/bias-detection.htm) |