Анализ моделей
Qlik AutoML обеспечивает очень наглядный интерфейс для анализа моделей, обучаемых в эксперименте. Можно анализировать ключевые метрики модели, используя простой интерфейс, который включает автоматически создаваемые сводки и визуализации. Для более подробного анализа и сравнения можно использовать встроенную аналитику.
Перед началом работы
Прежде чем приступить к анализу моделей, полезно получить общее представление о концепциях, лежащих в основе проверки модели. Сюда относятся оценки модели, важность признаков и алгоритмы.
Для получения информации см. раздел Общие сведения о концепциях проверки моделей.
Быстрый анализ
Быстрый анализ позволяет быстро получить представление о том, как проходило обучение модели, а также о качестве полученных моделей.
Перед тем как приступать к анализу, рекомендуется открыть вкладку Данные, чтобы увидеть, как проводилось обучение. Это может быть важно, так как признаки могли оказаться непригодными для использования в версии.
Откройте вкладку Модели в эксперименте для просмотра общих сведений о результатах обучения. Можно быстро сравнить модели и идентифицировать самые производительные из них. Информация, отображаемая на этой вкладке, зависит от того, используется или нет интеллектуальная оптимизация модели, а также от типа задачи в эксперименте.
Для ознакомления с полным руководством см. раздел Выполнение быстрого анализа модели.
Сравнение моделей
Используйте встроенную аналитику для глубокого интерактивного сравнения моделей. Такое сравнение можно выполнять на вкладке Сравнение.
Во время сравнения моделей, можно:
-
сравнить все доступные метрики для всех моделей;
-
просмотреть и сравнить оценки обучения и оценки, полученные на основе отложенных данных, для всех моделей;
-
сравнить значения гиперпараметров для всех моделей.
Для ознакомления с полным руководством см. раздел Сравнение моделей.
Подробный анализ
На вкладке Анализ эксперимента выполните подробный анализ конкретной модели. Подробный анализ выполняется с помощью встроенной аналитики. Можно в интерактивном режиме фильтровать данные, чтобы получить более полное представление о производительности модели для конкретных кластеров данных.
Подробный анализ модели позволяет выявить проблемы, связанные с данными для обучения, и получить дополнительную информацию о сильных и слабых сторонах модели.
Для ознакомления с полным руководством см. раздел Выполнение подробного анализа модели.
Следующие шаги
Последующие действия могут зависеть от того, как выполняется оптимизация моделей.
Интеллектуальная оптимизация модели в идеале создает модель, готовую для развертывания с незначительными доработками или совсем без них. Качество моделей все равно зависит от качества данных для обучения и конфигурации эксперимента. После анализа моделей и устранения других проблем с качеством данных или конфигурацией эксперимента можно приступать к развертыванию самой производительной модели.
Если после интеллектуальной оптимизации модели обнаруживаются другие проблемы или если интеллектуальная оптимизация была отключена в самом начале, можно вручную настроить новые версии эксперимента, чтобы улучшить результирующие модели.
Примеры действий в рамках уточнения:
Включение интеллектуальной оптимизации после выполнения версии без нее.
Выключение интеллектуальной оптимизации после выполнения версии с ней. Это позволяет вносить небольшие корректировки конфигурации по мере необходимости.
Изменение или обновление данных для обучения.
Изменение включенных признаков.
Изменение обработки данных признаков (например, изменение типа признака).
Добившись нужных результатов, разверните самую лучшую модель. Для получения дополнительной информации см.: