# Общие сведения о концепциях проверки моделей

Может быть полезно получить базовое представление о метриках модели, прежде чем приступать к анализу результатов обучения.

Доступные метрики модели можно в широком смысле разделить на два типа: оценки модели и метрики важности признаков. В ходе проверки моделей следует анализировать оба типа метрик.

Также существуют различия в том, как каждый из доступных алгоритмов обучает модели.

## Оценки модели

Оценки модели характеризуют точность прогнозов модели.

[Интерпретация оценок модели](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-models.htm)

## Важность признака

Важность признаков не является оценкой модели с технической точки зрения, но ее следует использовать в сочетании с оценками модели, чтобы проанализировать качество модели и выявить потенциальные проблемы. Важность признаков также позволяет сделать наблюдения о ключевых факторах, влияющих на тренды в данных.

[Общие сведения о важности признаков](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/feature-importance.htm)

## Алгоритмы

Определенные алгоритмы работают лучше при решении конкретных типов задач. Каждый алгоритм имеет свои сильные и слабые стороны, которые следует учитывать при проверке моделей.

[Общее представление об алгоритмах модели](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/algorithms.htm)