Sprawdzanie modeli

Aby ocenić modele uczenia maszynowego, trzeba rozumieć ich wyniki i wskaźniki. W niektórych przypadkach zrozumienie wpływu każdego pola i wartości na przewidywany wynik — dlaczego coś się dzieje — może być ważniejsze od tworzenia predykcji.

Przepływ pracy

Przeglądając modele, wykonaj ten proces krok po kroku, aby uzyskać najlepsze wyniki.

Krok 1: zrozum pojęcia

Przed rozpoczęciem sprawdzania wskaźników modelu warto mieć podstawową wiedzę na temat powiązanych pojęć. W Qlik AutoML wskaźniki modelu są ogólnie klasyfikowane jako:

• Wyniki modeli

  Interpretacja wyników modeli

• Wskaźniki ważności cechy

  Omówienie ważności cechy

Ponadto dostępnych jest wiele różnych algorytmów do uczenia modeli. Więcej informacji zawiera temat Omówienie algorytmów modeli.

Krok 2: użyj interfejsu do przeprowadzenia analizy

Kolejnym krokiem jest wykorzystanie Qlik AutoML do oceny wyników uczenia. Możesz przełączać różne karty w interfejsie eksperymentu, aby wykonać następujące czynności:

• Sprawdzanie danych do uczenia, aby zobaczyć, jak zostały wstępnie przetworzone podczas szkolenia

• Wyświetlenie podsumowania tego, jak AutoML zoptymalizował modele, zmieniając wybór cech

• Analiza wysokiego poziomu podstawowych wskaźników modelu

• Dokładniejsza analiza dzięki dogłębnym porównaniom i analizom poszczególnych modeli

Szczegółowe informacje można znaleźć w następujących przewodnikach:

• Przeprowadzanie szybkiej analizy modelu

• Porównanie modeli

• Szczegółowa analiza modelu

Krok 3: udoskonalenie modeli według potrzeb

Po przeanalizowaniu modeli można je udoskonalić, aby poprawić wyniki.

Inteligentna optymalizacja modelu jest domyślnie włączona w eksperymencie. Ta funkcja automatycznie udoskonala modele, wykluczając cechy, które mogłyby mieć negatywny wpływ na wydajność modelu. Zakładając, że masz dobrze przygotowany zestaw danych, wynik powinien być gotowy lub prawie gotowy do wdrożenia.

Zamiast tego możesz rozpocząć uczenie bez inteligentnej optymalizacji bądź wyłączyć ją po uruchomieniu z nią jednej lub większej liczby wersji. Jest to przydatne, jeśli potrzebujesz większej kontroli nad procesem szkolenia.

Przed wdrożeniem modelu lub po jego wdrożeniu może być konieczne dodatkowe udoskonalenie.Na przykład może być wymagane ponowne uczenie modeli po zmianie lub odświeżeniu danych do uczenia.

Więcej informacji na temat udoskonalania modeli zawiera temat Ulepszanie modeli.

Po zakończeniu procesu udoskonalania można wdrożyć najlepszy model.