Analisando modelos
O Qlik AutoML fornece uma experiência visual rica para analisar os modelos que você treina em seu experimento. Você pode analisar as principais métricas do modelo usando uma interface simples que inclui resumos e exibições gerados automaticamente. Para análises e comparações mais detalhadas, você pode usar análises integradas.
Antes de iniciar
Antes de analisar modelos, pode ser útil ter uma compreensão básica dos conceitos de revisão de modelos. Isso inclui as pontuações do modelo, a importância do recurso e os algoritmos.
Para obter mais informações, consulte Entendendo os conceitos de revisão do modelo
Análise rápida
Com uma análise rápida, você pode obter rapidamente uma compreensão sobre como o treinamento do modelo ocorreu e sobre a qualidade dos modelos resultantes.
Antes de mergulhar na análise, é recomendável que você abra a guia Dados para ver como os dados de treinamento foram manipulados. Isso pode ser importante, pois os recursos podem ter sido considerados inutilizáveis na versão.
Abra a guia Modelos no experimento para uma visão geral dos resultados do treinamento. Você pode comparar rapidamente os modelos e identificar os de melhor desempenho. As informações que você vê nesta guia dependem se você está usando a otimização de modelo Inteligente, bem como o tipo de problema para seu experimento.
Para um guia abrangente, consulte Executando análise rápida de modelo.
Comparação de modelos
Use análises integradas para executar comparações interativas e aprofundadas de seus modelos. Você pode executar essas comparações na guia Comparar.
Durante a comparação de modelos, você pode:
-
Comparar todas as métricas de modelo disponíveis para todos os modelos.
-
Exibir e comparar pontuações de treinamento e retenção para todos os modelos.
-
Compare valores de hiperparâmetros em todos os modelos.
Para um guia abrangente, consulte Comparando modelos.
Análise detalhada
Na guia Analisar do experimento, execute uma análise detalhada de um modelo específico. A análise detalhada é realizada com análises integradas. Você pode filtrar os dados interativamente para obter uma melhor compreensão do desempenho do modelo para clusters específicos de dados.
Com a análise detalhada do modelo, você pode identificar problemas causados por dados de treinamento e aprender mais sobre os pontos fortes e fracos de um modelo.
Para um guia abrangente, consulte Executando análise detalhada de modelo.
Próximas etapas
Seus próximos passos podem depender de como você está otimizando seus modelos.
A otimização inteligente de modelos cria idealmente um modelo pronto para ser implementado com refinamento mínimo ou nenhum. A qualidade dos modelos ainda depende da qualidade dos seus dados de treinamento e da configuração do experimento. Depois de analisar os modelos e resolver quaisquer outros problemas com a qualidade dos dados ou a configuração do experimento, você estará pronto para implementar o modelo de melhor desempenho.
Se você identificar mais problemas após executar a otimização inteligente do modelo, ou se tiver desativado a otimização inteligente do modelo desde o início, poderá configurar manualmente novas versões do experimento para melhorar os modelos resultantes.
Exemplos de etapas de refinamento incluem:
Ativar a otimização inteligente após iniciar sem ela.
Desativando a otimização inteligente após executar uma versão com ela. Isso permite que você faça ajustes na configuração conforme necessário.
Alterando ou atualizando os dados de treinamento.
Alterando os recursos incluídos.
Alterando o tratamento de dados de recursos (por exemplo, alterando o tipo de recurso de um recurso).
Quando você tiver alcançado os resultados desejados, implemente o melhor modelo. Para obter mais informações, consulte: