# Omówienie pojęć związanych z przeglądem modelu

Przed rozpoczęciem analizowania wyników uczenia warto mieć podstawową wiedzę na temat wskaźników modeli.

Dostępne wskaźniki modeli można ogólnie podzielić na dwa typy: wyniki modelu i wskaźniki ważności cech. Podczas przeglądu modeli należy przeanalizować oba typy wskaźników.

Istnieją również różnice w sposobie uczenia modeli przez każdy z dostępnych algorytmów.

## Wyniki modeli

Wyniki modelu wskazują dokładność przewidywań modelu.

[Interpretacja wyników modeli](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-models.htm)

## Ważność cechy

Ważność cechy nie jest zasadniczo oceną modelu, ale powinna być używana w połączeniu z wynikami modelu w celu oceny jakości modelu i diagnozowania potencjalnych problemów. Ważność cechy zapewnia również wgląd w kluczowe czynniki wpływające na trendy w danych.

[Omówienie ważności cechy](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/feature-importance.htm)

## Algorytmy

Niektóre algorytmy działają najlepiej w przypadku określonych typów problemów. Każdy algorytm ma swoje mocne i słabe strony, które należy wziąć pod uwagę podczas przeglądu modeli.

[Omówienie algorytmów modeli](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/algorithms.htm)