Revisando modelos
Para avaliar seus modelos de aprendizado de máquina, você precisa ser capaz de entender as pontuações e métricas do modelo. Em alguns casos, entender como cada campo e valor influencia o resultado previsto – por que algo acontece – pode ser mais importante do que fazer previsões.
Fluxo de trabalho
Ao revisar modelos, conclua este fluxo de trabalho passo a passo para obter melhores resultados.
Etapa 1: Entenda os conceitos
Pode ser útil ter uma compreensão básica dos conceitos subjacentes antes de começar a revisar suas métricas de modelo. No Qlik AutoML, as métricas do modelo são geralmente classificadas como:
-
Pontuações do modelo
-
Métricas de importância de recurso
Além disso, há vários algoritmos diferentes disponíveis para treinar seus modelos. Para obter mais informações, consulte Entendendo os algoritmos de modelo.
Etapa 2: Use a interface para executar a análise
A próxima etapa é usar o Qlik AutoML para avaliar os resultados do treinamento. Você pode alternar entre as várias guias na interface do experimento para fazer o seguinte:
-
Inspecionar os dados de treinamento para ver como eles foram pré-processados durante o treinamento
-
Visualizar um resumo de como o AutoML otimizou seus modelos alterando a seleção de recursos
-
Executar análises de alto nível das métricas do modelo principal
-
Aprofundar-se com comparação e análise aprofundadas de modelos individuais
Para obter detalhes completos, consulte os seguintes guias:
Etapa 3: Refine os modelos conforme necessário
Depois de analisar os modelos, você pode refiná-los para melhorar os resultados.
A otimização inteligente do modelo é ativada por padrão em seu experimento. Esse recurso refina os modelos automaticamente para você, excluindo recursos que podem impactar o desempenho do modelo. Supondo que você tenha um conjunto de dados bem preparado, o resultado deve estar pronto, ou quase pronto, para implementação.
Como alternativa, você pode iniciar o treinamento sem otimização inteligente ou desativá-lo após executar uma ou mais versões com ele. Isso é útil se você precisar de mais controle sobre o processo de treinamento.
Pode ser necessário refinamento adicional antes ou depois da implementação do modelo. Por exemplo, você pode precisar treinar novamente os modelos após alterar ou atualizar os dados de treinamento.
Para saber mais sobre como refinar modelos, consulte Refinando modelos.
Após concluir o processo de refinamento, você estará pronto para implementar o melhor modelo.