Przykład — uczenie modeli z automatycznym uczeniem maszynowym
W tym przykładzie będziesz uczyć modele uczenia maszynowego przy użyciu inteligentnej optymalizacji modeli. Dzięki inteligentnej optymalizacji modeli AutoML obsługuje proces iteracji i udoskonalania modeli za Ciebie.
Więcej informacji o inteligentnej optymalizacji modelu zawiera temat Inteligentna optymalizacja modeli.
Czego się nauczysz?
W tym przykładzie dowiesz się:
-
Jak utworzyć i skonfigurować eksperyment uczenia maszynowego
-
Jak inteligentna optymalizacja może automatycznie udoskonalać model
-
Jak wyświetlać i analizować wyniki uczenia
Uwagi dodatkowe
Inteligentna optymalizacja modeli bardzo pomaga w udoskonalaniu modeli przy użyciu dobrze przygotowanego zestawu danych. Aby mieć pewność, że Twoje modele będą wysokiej jakości w rzeczywistych zastosowaniach, należy przestrzegać ustrukturyzowanego modelu i przygotować zestaw danych do uczenia zawierający odpowiednie cechy i dane. Więcej informacji zawiera temat:
Opcjonalnie dla poszczególnych wersji eksperymentu można wyłączyć inteligentną optymalizację modeli. Wyłączenie tego ustawienia prowadzi do ręcznej optymalizacji modeli. Ręczna optymalizacja może się przydać do wprowadzenia określonych zmian w konfiguracji eksperymentu. Można uruchomić wersję z inteligentną optymalizacją modelu, a następnie ją wyłączyć, aby wprowadzić drobne ręczne poprawki, nadal korzystając z zapewnianego przez nią automatycznego udoskonalenia.
Ten przykład obejmuje uczenie w ramach eksperymentu z inteligentną optymalizacją. Pełny samouczek korzystania z ręcznej optymalizacji znajduje się w temacie Samouczek — Generowanie i wizualizacja danych predykcyjnych. Ten samouczek zawiera również kompleksowe wskazówki dotyczące wdrażania modeli, tworzenia predykcji i wizualizowania danych predykcji za pomocą interaktywnych aplikacji Qlik Sense.
Kto powinien wykonać ten przykład
Ten przykład należy wykonać, aby się dowiedzieć, jak używać inteligentnej optymalizacji modelu do doskonalenia modeli uczenia maszynowego.
Aby ukończyć ten przykład, należy spełnić następujące wymagania:
-
Uprawnienie profesjonalne lub Full User
-
Rola związana z zabezpieczeniami Automl Experiment Contributor w dzierżawie
-
Jeżeli pracujesz w przestrzeni do współpracy, wymagane role w przestrzeniach, w których będziesz pracować. Zobacz: Zarządzanie uprawnieniami w przestrzeniach udostępnionych
Jeśli nie możesz wyświetlić lub utworzyć zasobów uczenia maszynowego, prawdopodobnie nie masz wymaganych ról lub uprawnień. Aby uzyskać więcej informacji, skontaktuj się z administratorem dzierżawy.
Więcej informacji zawiera temat Kto może pracować z Qlik AutoML.
Co należy zrobić przed rozpoczęciem?
Pobierz ten pakiet i rozpakuj go na pulpicie:
Przykład AutoML — inteligentna optymalizacja modeli
Pakiet zawiera zestaw danych do uczenia, którego będziesz używać do uczenia modeli. Zestaw danych zawiera informacje o klientach, których termin przedłużenia subskrypcji upłynął i którzy podjęli decyzję o odejściu lub pozostaniu subskrybentem usługi.
Wykonaj następujące czynności:
-
Otwórz centrum aktywności Analytics .
-
Przejdź do strony Utwórz, wybierz Zestaw danych, a następnie wybierz Prześlij plik danych.
-
Przeciągnij plik AutoML Example - Churn data - training.csv do okna dialogowego przesyłania.
-
Wybierz przestrzeń. Może to być Twoja przestrzeń prywatna lub przestrzeń udostępniona, jeśli chcesz, aby inni użytkownicy mieli dostęp do tych danych.
-
Kliknij przycisk Załaduj.
Po przesłaniu zestawu danych możesz przystąpić do tworzenia eksperymentu.
Część 1: Utwórz eksperyment
Wykonaj następujące czynności:
-
Przejdź do strony Utwórz w centrum aktywności Analytics i wybierz Eksperyment uczenia maszynowego.
-
Wpisz nazwę eksperymentu, na przykład Intelligent optimization example (Przykład inteligentnej optymalizacji).
-
Opcjonalnie dodaj opis i znaczniki.
-
Wybierz przestrzeń na eksperyment. Może to być Twoja przestrzeń prywatna lub przestrzeń udostępniona.
-
Kliknij polecenie Utwórz.
-
Wybierz plik AutoML Example - Churn data - training.csv.
Część 2: Skonfiguruj eksperyment
Następnie możemy skonfigurować eksperyment.
Inteligentna optymalizacja modeli wymaga mniej wstępnej konfiguracji niż optymalizacja ręczna. W takim przypadku wybierzemy cel i skorzystamy ze wszystkich cech, które są domyślnie zawarte.
Wybieranie celu
Chcemy, aby nasz model uczenia maszynowego przewidywał odpływ klientów, dlatego jako cel wybieramy Churned — ostatnią kolumnę w zestawie danych.
W eksperymencie karta Dane powinna być jedyną wyświetlaną kartą. Cel możesz wybrać na różne sposoby, ale tutaj używamy Widoku schematu, który został otwarty domyślnie.
Wykonaj następujące czynności:
-
W schemacie wskaż kursorem Churned i kliknij wyświetloną ikonę .
Potwierdzanie wyboru cech
Po wybraniu celu zostaną domyślnie uwzględnione wszystkie dostępne i zalecane cechy. W Widoku schematu potwierdź uwzględnienie wszystkich cech z wyjątkiem dwóch. Obok każdej uwzględnionej cechy powinny się znajdować wypełnione pola wyboru. Cecha Country nie jest dostępna do użytku. Cecha AccountID nie jest zalecana do stosowania ze względu na dużą kardynalność, dlatego pozostawiamy ją bez zaznaczenia.
Potwierdzenie inteligentnej optymalizacji
W prawej części strony powinien być otwarty panel umożliwiający skonfigurowanie dodatkowych ustawień. Chcemy sprawdzić, czy inteligentna optymalizacja modelu jest włączona.
Wykonaj następujące czynności:
-
Jeżeli panel konfiguracji eksperymentu nie jest otwarty, kliknij Wyświetl konfigurację, aby go otworzyć.
-
W panelu rozwiń pozycję Optymalizacja modelu.
-
Wybrana opcja optymalizacji powinna być Inteligentna.
Uruchomienie uczenia
Kliknij Uruchom eksperyment w prawym dolnym rogu strony, aby rozpocząć uczenie modelu.
Część 3: Wyświetl wyniki
Po zakończeniu uczenia zostanie wyświetlona i otwarta karta Modele. Tutaj możesz zobaczyć, jakich optymalizacji dokonano podczas uczenia. Automatycznie wybierany jest model z najlepszymi wynikami, oznaczony ikoną . Przeanalizujmy ten model.
Zobacz Podsumowanie uczenia modelu. Pokazuje ono wyniki inteligentnej optymalizacji tego modelu. W tym przypadku widzimy, że następujące cechy zostały usunięte, i podany jest powód ich usunięcia:
-
Cecha DaysSinceLastService została usunięta z powodu podejrzenia wycieku danych celu. W tym przypadku kolumna zawierała dane o niewłaściwej logice. Dni od ostatniego zgłoszenia serwisowego były nadal aktywnie liczone w przypadku klientów, którzy anulowali usługę (w niektórych przypadkach kilka lat temu). Tę cechę należało usunąć, ponieważ dałaby modelowi fałszywe wyniki wydajności i spowodowałaby bardzo słabą wydajność modelu po wdrożeniu. Zob. Wyciek danych
-
Cechy PriorPeriodUsage i PriorPeriodUsage-Rounded zostały usunięte, ponieważ były zbyt silnie skorelowane z inną cechą. Cecha, z którą są skorelowane, była nadal uwzględniana w uczeniu. Zob. Korelacja.
-
Cechy CurrentPeriodUsage, CustomerTenure, StartMonth, Territory, DeviceType i StartWeek zostały usunięte ze względu na niską ważność permutacji. Cechy, które mają niewielki wpływ na model, są postrzegane jako szum statystyczny i można je usunąć w celu poprawy wydajności. Zob. Omówienie ważności permutacji.
Po usunięciu tych cech możemy zobaczyć wizualizacje przedstawiające najbardziej wpływowe cechy, a także niektóre wskaźniki wydajności predykcyjnej modelu. Zawartość tych wykresów może pomóc w ocenie, czy czegoś brakuje w zestawie cech lub czy wyniki są wypaczone.
Aby uzyskać więcej informacji na temat analizowania modeli przy użyciu tych wizualizacji, zobacz temat Przeprowadzanie szybkiej analizy modelu.
Głębsza analiza
Jeśli chcesz dokładniej poznać wskaźniki modelu, przejdź do kart Porównaj i Analizuj w eksperymencie. Te karty zapewniają bardziej szczegółowy, interaktywny widok wskaźników.
Więcej informacji zawierają tematy Porównanie modeli oraz Szczegółowa analiza modelu.
Następne kroki
Dzięki wysokiej jakości zestawowi danych inteligentna optymalizacja tworzy modele gotowe do wdrożenia, które wymagają niewiele iteracji lub nie wymagają ich wcale. Od tego momentu zaleca się wdrożenie modelu o najlepszych wynikach. W przeciwnym razie możesz kontynuować ręczne udoskonalanie modeli lub zaktualizować dane do uczenia i ponownie przeprowadzić inteligentną optymalizację modelu.
Więcej informacji na temat kolejnych kroków:
Dziękujemy!
Ten przykład został ukończony. Mamy nadzieję, że wiesz już, jak wykorzystać inteligentną optymalizację modelu do łatwego uczenia gotowych do wdrożenia modeli uczenia maszynowego.
Dodatkowe materiały i zasoby
- Qlik oferuje szeroką gamę zasobów, z których mogą korzystać osoby zainteresowane.
- Jest dostępna pomoc online Qlik.
- Szkolenia, w tym bezpłatne kursy online, są dostępne w Qlik Continuous Classroom.
- Fora dyskusyjne, blogi i więcej można znaleźć w Qlik Community.
Twoja opinia jest ważna
Doceniamy wszelkie informacje zwrotne od naszych użytkowników. Powiedz, co o nas myślisz w poniższej sekcji.