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 Predict wskaźniki modelu są ogólnie klasyfikowane jako:
-
Wyniki modeli
-
Wskaźniki 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 Predict do oceny wyników uczenia. Możesz przełączać różne karty w interfejsie eksperymentu, aby wykonać następujące czynności:
-
Przegląd zalecanych modeli
-
Sprawdzanie danych do uczenia, aby zobaczyć, jak zostały wstępnie przetworzone podczas szkolenia
-
Wyświetlenie podsumowania tego, jak Qlik Predict 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:
Krok 3: udoskonalenie modeli według potrzeb
Po przeanalizowaniu modeli warto wdrożyć jeden z zalecanych modeli o najlepszych wynikach. Jeśli konieczne jest dalsze dopracowanie, można utworzyć kolejne wersje, 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, rekomendacje powinny być gotowe lub prawie gotowe 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 preferowany model.