# Pobieranie raportów z uczenia maszynowego

Można pobierać raporty z uczenia dla modeli uczonych w eksperymencie. Raport z uczenia zawiera szczegółowe informacje na temat procesów, które nauczyły model i opcjonalnie inne modele w eksperymencie uczenia maszynowego. Możesz pobierać raporty z uczenia z eksperymentów i wdrożeń uczenia maszynowego, do których masz dostęp. Raporty z uczenia są dostępne w formacie PDF.

Administratorzy mogą również pobierać raporty z uczenia z centrum aktywności Administrowanie. Więcej informacji zawiera temat [Pobieranie raportów z uczenia maszynowego jako administrator](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/Admin/mc-training-report.htm).

Raport z uczenia maszynowego

Raport z uczenia maszynowego

Raport z uczenia maszynowego ![Raport z uczenia eksperymentu](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Resources/Images/ui_ml-training-report.png)

## Zastosowania

Raporty z uczenia modeli umożliwiają:

* Głębsze poznanie procesów uczących modele – na przykład do celów audytu.

* Łatwe udostępnianie szczegółów dotyczących uczenia modeli użytkownikom spoza Qlik Cloud.

## Generowanie raportu z uczenia

### Z eksperymentu

Wykonaj następujące czynności:

1. Otwórz eksperyment uczenia maszynowego.

2. Przejdź do karty Modele.

3. Wybierz model.

4. Powyżej sekcji Informacje o modelu kliknij listę rozwijaną Raport z trenowania.

5. wybierz jedną z następujących opcji:

   * Wyświetl jako PDF > Tylko ten model: Generuje rozszerzony raport zawierający informacje o wszystkich modelach wytrenowanych w eksperymencie.

   * Wyświetl jako PDF > Wszystkie modele: Generuje rozszerzony raport zawierający informacje o wszystkich modelach wytrenowanych w eksperymencie.

6. Raport otwiera się w nowej karcie. Możesz go teraz pobierać na swój komputer lokalny.

Możesz także wygenerować raporty z trenowania z menu the Menu z trzema kropkami icon dla modelu z poziomu Metryki modelu.

### Z wdrożenia uczenia maszynowego

Wykonaj następujące czynności:

1. Otwórz wdrożenie uczenia maszynowego.

2. Przejdź do karty Modele do wdrożenia.

3. W obszarze Wszystkie modele we wdrożeniukliknij the Menu z trzema kropkami icon obok modelu.

4. Wybierz Pobierz raport z uczenia.

5. W oknie dialogowym opcjonalnie włącz opcję Uwzględnij informacje o wszystkich modelach w eksperymencie.

   Po aktywacji to ustawienie generowało rozszerzony raport zawierający informacje o wszystkich modelach nauczonych w eksperymencie. Zob. [Wersje pełne i skoncentrowane](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/training-report.htm#FullVsFocused).

6. W razie potrzeby kliknij przycisk Podgląd, aby wyświetlić raport bez konieczności jego pobierania. W zależności od przeglądarki może być wymagane wykonanie tej czynności więcej niż jeden raz.

7. Kliknij opcję Pobierz. Raport zostanie wygenerowany i zapisany w lokalnym folderze Downloads.

### Jako administrator

Administratorzy mogą również pobierać raporty z uczenia z centrum aktywności Administrowanie.Więcej informacji można znaleźć w temacie [Pobieranie raportów z uczenia maszynowego jako administrator](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/Admin/mc-training-report.htm).

## Co zawiera raport ze szkolenia

W raporcie z uczenia są przedstawiane szczegółowo następujące informacje. Niektóre szczegóły mogą być dostępne tylko po pobraniu pełnej wersji raportu szkoleniowego. Więcej informacji zawiera temat [Wersje pełne i skoncentrowane](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/training-report.htm#FullVsFocused).

* Kto utworzył eksperyment

* Kiedy eksperymenty i model zostały nauczone

* Lokalizacja i nazwa zasobów wykorzystywanych podczas uczenia

* Ile wersji i modeli ma eksperyment

* Algorytmy używane do uczenia modeli

* Szczegółowe informacje na temat wykorzystywanych zestawów danych do uczenia, takie jak ilość zawartych w nich danych

* Przetwarzanie danych do uczenia przed uczeniem i w jego trakcie

* Wskaźniki modelu dotyczące danych do uczenia i danych wstrzymania

* Dane hiperparametrów

* Wyniki wykrywania stronniczości

### Wersje pełne i skoncentrowane

Podczas pobierania raportu z uczenia użytkownik może opcjonalnie włączyć ustawienie o nazwie Uwzględnij informacje o wszystkich modelach w eksperymencie. To ustawienie kontroluje, czy generowana jest pełna, czy skrócona wersja raportu.

Po włączeniu ustawienia Uwzględnij informacje o wszystkich modelach w eksperymencie jest generowana pełna wersja raportu. Ten raport zawiera dodatkowe informacje o innych modelach wyszkolonych w eksperymencie.

Z kolei skoncentrowany raport zawiera tylko informacje o wybranym modelu. Informacje o pozostałych modelach w eksperymencie nie są uwzględniane.

## Interpretacja pojęć w raporcie z uczenia

Podczas analizowania raportów z uczenia zakłada się, że użytkownik rozumie używane terminy techniczne. Większość terminów wyjaśniono w [dokumentacji pomocy Qlik Predict](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/home-automl.htm).

Poniższa tabela zawiera definicje zawartości raportu wraz z przydatnymi tematami pomocy.

Terminy w raporcie z uczenia

| Termin | Znaczenie | Powiązane treści |
| --- | --- | --- |
| Partie | Odnosi się do tego, ile partii modeli zostało nauczonych w eksperymencie. Podczas korzystania z inteligentnej optymalizacji modelu modele są uczone w iteracyjnych partiach w celu poprawy wydajności uczenia i wyników.<br><br>Z kolei wersja eksperymentu, która nie wykorzystuje inteligentnej optymalizacji modelu – czyli optymalizacji ręcznej – uczy modele w pojedynczej partii. | - |
| EDA | Oznacza rozpoznawczą analizę danych (exploratory data analysis). Jest to termin określający automatyczny zestaw czynności przetwarzania, który jest wykonywany na danych do uczenia przed rozpoczęciem uczenia modelu. | [Konfiguracja eksperymentu](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/preprocessing-steps.htm#ExperimentSetup) |
| Kodowanie, Kodowanie średnią, Kodowanie 1 z n | Odnosi się do przetwarzania danych cech, aby zwiększyć ich użyteczność w uczeniu modeli. | [Kodowanie kategorialne](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/categorical-encoding.htm) |
| Inżynieria cech | Odnosi się do wielu procesów, w wyniku których powstają nowe cechy. Mogą to być nowe cechy, które są eksponowane jako zupełnie nowe jednostki, a także cechy, które są tworzone przez kodowanie i przetwarzanie swobodnego tekstu. | [Tworzenie nowych kolumn cech](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/feature-engineering.htm)<br><br>[Automatyczna inżynieria cech](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/automatic-feature-engineering.htm)<br><br>[Kodowanie kategorialne](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/categorical-encoding.htm) |
| Pięciokrotna walidacja krzyżowa | Odnosi się do walidacji krzyżowej, która jest wykonywana na modelach po każdej iteracji treningu. | [Dane wstrzymania i walidacja krzyżowa](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/holdout-crossvalidation.htm) |
| Optymalizacja | Odnosi się do tego, czy w uczeniu modelu wykorzystywano optymalizację inteligentną czy ręczną. | [Praca z optymalizacją modelu](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/optimize-models.htm) |
| Współczynnik próbkowania | Odnosi się do tego, jaka część zbioru danych do uczenia została wykorzystana do uczenia modelu.<br><br>Podczas korzystania z inteligentnej optymalizacji modelu można czasami uczyć modele na mniej niż 100% pierwotnego zestawu danych, zwłaszcza w przypadku bardzo dużych zestawów danych.<br><br>Z kolei wersja eksperymentu, która nie wykorzystuje inteligentnej optymalizacji modelu – czyli optymalizacji ręcznej – zawsze wykorzystuje 100% zestawu danych do uczenia. | [Próbkowanie danych treningowych](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/intelligent-model-optimization.htm#Sampling) |
| Podział | Odnosi się do automatycznego podziału zestawu danych do uczenia na dane do uczenia i dane wstrzymania. Dane wstrzymania nie są wykorzystywane do uczenia modelu, tylko do testowania jego skuteczności. | [Dane wstrzymania i walidacja krzyżowa](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/holdout-crossvalidation.htm) |
| (U=zastąpienie przez użytkownika) | Odnosi się do działania użytkownika polegającego na ręcznej zmianie typu cechy z automatycznie zidentyfikowanego typu. | [Zmiana typów danych cech](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/configuring-experiments.htm#Changing) |
| Wynik docelowy | Wartość kolumny docelowej przewidywana przez model. | [Wykrywanie stronniczości w modelach uczenia maszynowego](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/bias-detection.htm#Changing) |

## Uprawnienia

### Uprawnienia do pobierania z eksperymentów uczenia maszynowego

Aby można było eksportować raport z uczenia z eksperymentu ML, potrzebny jest dostęp do widoku eksperymentu. Innymi słowy, musisz spełnić następujące wymagania:

* Uprawnienie użytkownika profesjonalnego (dotyczy tylko subskrypcji opartych na użytkownikach).

* Jedno z następujących:

  * Wbudowana rola zabezpieczeń Automl Experiment Contributor

  * Wbudowana rola zabezpieczeń Automl Deployment Contributor

  * Uprawnienie Zarządzanie eksperymentami ML ustawione na Dozwolone lub Zarządzanie eksperymentami ML bez GenAI za pośrednictwem domyślnych uprawnień lub niestandardowej roli zabezpieczeń

  * Uprawnienie Zarządzanie wdrożeniami ML ustawione na Dozwolone za pośrednictwem domyślnych uprawnień lub niestandardowej roli zabezpieczeń

  * Uprawnienie administratora Zarządzaj eksperymentami i wdrożeniami uczenia maszynowego ustawione na Dozwolone za pośrednictwem niestandardowej roli zabezpieczeń

* W przypadku eksperymentów w przestrzeniach udostępnionych jednej z poniższych ról w przestrzeni:

  * Właściciel (przestrzeni)

  * Może zarządzać

  * Może edytować

  * Może wyświetlać

### Uprawnienia do pobierania z wdrożeń uczenia maszynowego

Aby można było eksportować raport z uczenia z wdrożenia uczenia maszynowego, potrzebny jest dostęp do widoku zarówno wdrożenia, jak i eksperymentu, z którego zostało ono wdrożone.

Innymi słowy, musisz spełnić następujące wymagania:

* Uprawnienie użytkownika profesjonalnego (dotyczy tylko subskrypcji opartych na użytkownikach).

* Jedno z następujących:

  * Wbudowana rola zabezpieczeń Automl Experiment Contributor

  * Wbudowana rola zabezpieczeń Automl Deployment Contributor

  * Uprawnienie Zarządzanie eksperymentami ML ustawione na Dozwolone lub Zarządzanie eksperymentami ML bez GenAI za pośrednictwem uprawnień domyślnych lub niestandardowej roli zabezpieczeń

  * Uprawnienie Zarządzanie wdrożeniami ML ustawione na Dozwolone za pośrednictwem uprawnień domyślnych lub niestandardowej roli zabezpieczeń

  * Uprawnienie administratora Zarządzaj eksperymentami i wdrożeniami uczenia maszynowego ustawione na Dozwolone za pośrednictwem niestandardowej roli zabezpieczeń

* W przypadku eksperymentów w przestrzeniach udostępnionych jednej z poniższych ról w przestrzeni:

  * Właściciel (przestrzeni)

  * Może zarządzać

  * Może edytować

  * Może wyświetlać

* W przypadku wdrożeń w przestrzeniach udostępnionych jednej z poniższych ról w przestrzeni:

  * Właściciel (przestrzeni)

  * Może zarządzać

  * Może edytować

  * Może wyświetlać

* W przypadku wdrożeń w przestrzeniach zarządzanych jednej z poniższych ról w przestrzeni:

  * Właściciel (przestrzeni)

  * Może zarządzać

  * Może współtworzyć

  * Może wyświetlać

## Ograniczenia

* Raporty z uczenia są dostępne tylko dla eksperymentów ML utworzonych pod koniec lipca 2025 r. i później.