Przeskocz do zawartości głównej Przejdź do treści uzupełniającej

Tworzenie i konfigurowanie eksperymentu

Pierwszy krok polega na utworzeniu i skonfigurowaniu eksperymentu. Przesłany wcześniej zestaw danych do uczenia będzie używany do uczenia modelu, aż model będzie gotowy do wdrożenia w celu tworzenia predykcji.

Tworzenie nowego eksperymentu

  1. Przejdź do strony Utwórz w centrum aktywności Analytics i wybierz Eksperyment uczenia maszynowego.

  2. Wpisz nazwę eksperymentu, na przykład Samouczek — Odpływ klientów.

  3. Opcjonalnie dodaj opis i znaczniki.

  4. Wybierz przestrzeń na eksperyment. Może to być Twoja przestrzeń prywatna lub przestrzeń udostępniona.

  5. Kliknij polecenie Utwórz.

  6. Wybierz plik zestawu danych szkoleniowych. Będzie to jedna z poniższych sytuacji, w zależności od tego, czy pracujesz z plikiem CSV, czy QVD:

    • AutoML Tutorial - Churn data - train.csv

    • AutoML Tutorial - Churn data - train.qvd

Sprawdzanie danych

Możesz już rozpocząć konfigurację eksperymentu, ale najpierw przyjrzyjmy się zestawowi danych.

Zaczynamy od karty Dane. Widokiem domyślnym jest Wiersze tabeli Widok schematu. Tutaj widzimy tabelę, w której każdy wiersz reprezentuje kolumnę z zestawu danych. Statystyki i wnioski zostały wygenerowane podczas automatycznego przygotowywania danych. Aby zobaczyć Wnioski, być może trzeba będzie przewinąć do prawej strony schematu.

Widzimy, że wykluczono AccountID ze względu na dużą kardynalność. Oznacza to, że kolumna ta zawiera zbyt wiele unikatowych wartości. Cecha Country została wykluczona z przeciwnego powodu: wartość jest taka sama dla wszystkich wierszy. Te dwie cechy nie wniosłyby żadnej wartości do modeli uczenia maszynowego.

Widzimy również, że cecha kategorialna Territory została zakodowana metodą impact encoding. Wskaż kursorem ikony ostrzeżeń Trójkąt ostrzegawczy i informacji Trójkąt ostrzegawczy, aby uzyskać więcej informacji.

Widok schematu dla zestawu danych do uczenia w Qlik AutoML

Kolumna tabeli ze statystykami dotyczącymi cech.

Kliknij Widok danych Widok danych. W tym widoku widać więcej informacji o każdej kolumnie, w tym przykładowe dane.

Widok danych

Widok danych w konfiguracji eksperymentu.

Wybieranie celu

Chcemy, aby nasz model uczenia maszynowego przewidywał odpływ klientów, dlatego jako cel wybieramy Churned — ostatnią kolumnę w zestawie danych.

  1. Przełącz z powrotem na Wiersze tabeli Widok schematu.

  2. Wskaż kursorem wiersz Churned i kliknij wyświetloną ikonę Cel.

Wiersz w widoku schematu jest wybrany jako cel

Wiersz tabeli dla wybranego celu.

W panelu konfiguracji eksperymentu możemy teraz zobaczyć, że wybrana została pozycja Churned. Możemy także zobaczyć, które cechy są automatycznie wybierane i wykluczane. Ponieważ Churned jest celem, nie będzie używana jako cecha. Widzimy również, że eksperyment ten będzie traktowany jako problem klasyfikacji binarnej.

Informacje wyświetlane w panelu Konfiguracja eksperymentu

Panel konfiguracji eksperymentu z wybranym celem i domyślnym wyborem cech

Wybieranie cech

Podczas pierwszego uruchomienia eksperymentu uwzględnimy wszystkie cechy i algorytmy, które zostały zaznaczone domyślnie. Jeśli jednak wiesz już na podstawie swojego doświadczenia biznesowego, że pewne cechy nie mają wpływu na cel, możesz je w tym momencie odznaczyć, aby wykluczyć je z uczenia.

Zmiana ustawień optymalizacji

Inteligentna optymalizacja modeli jest domyślnie włączona. Inteligentna optymalizacja modeli w AutoML umożliwia automatyczne ulepszanie uczenia modeli. Celem tego samouczka jest jednak pokazanie, jak ręcznie identyfikować pewne problemy z danymi cech i wynikami uczenia.

Przykład uczenia modeli za pomocą inteligentnej optymalizacji modeli można znaleźć w temacie Przykład — uczenie modeli z automatycznym uczeniem maszynowym.

Wyłączmy inteligentną optymalizację modeli, aby zademonstrować udoskonalanie ręczne.

  1. W panelu konfiguracji eksperymentu rozwiń sekcję Optymalizacja modelu.

  2. Przełącz z inteligentna na Ręczna.

Przełączenie na optymalizację Ręczną w panelu Konfiguracja eksperymentu

Panel konfiguracji eksperymentu z wyłączoną inteligentną optymalizacją modeli

Uczenie eksperymentu

Konfiguracja jest zakończona i możemy rozpocząć uczenie.

  • W prawym dolnym rogu okna eksperymentu kliknij Uruchom eksperyment.

Po zakończeniu eksperymentu możemy przejść do następnego kroku, jakim jest przejrzenie wynikowych wskaźników modelu.

Dowiedz się więcej

Czy ta strona była pomocna?

Jeżeli natkniesz się na problemy z tą stroną lub jej zawartością — literówkę, brakujący krok lub błąd techniczny — daj nam znać, co możemy poprawić!