Анализ моделей

Для того чтобы оценить модель машинного обучения, нужно разбираться в оценках и метриках модели. В некоторых случаях понимание того, как каждое поле и значение влияет на прогнозируемый результат — почему что-то происходит, — может быть важнее, чем сам прогноз.

Рабочий процесс

При проверке моделей следуйте этой пошаговой процедуре, чтобы получить оптимальные результаты.

Шаг 1. Общие сведения о концепциях

Может быть полезно получить базовое представление об основополагающих концепциях, прежде чем приступать к проверке метрик моделей. В Qlik AutoML метрики модели классифицируются в широком смысле как:

• Оценки модели

  Интерпретация оценок модели

• Метрики важности признака

  Общие сведения о важности признаков

Кроме того, существует ряд различных алгоритмов, доступных для обучения моделей. Для получения дополнительной информации см. раздел Общее представление об алгоритмах модели.

Шаг 2. Выполнение анализа с использованием интерфейса

Следующий шаг ― использование средств Qlik AutoML для оценки результатов обучения. Можно переключаться между различными вкладками в интерфейсе эксперимента для выполнения следующих действий.

• Проверяйте данные для обучения, чтобы оценить предварительную обработку во время обучения

• Просматривайте краткое описание того, какая оптимизация моделей применена AutoML посредством изменения выборки признаков

• Выполняйте высокоуровневый анализ главных метрик модели

• Выполняйте более глубокое сравнение и анализ отдельных моделей

Для получения полных сведений см. следующие руководства:

• Выполнение быстрого анализа модели

• Сравнение моделей

• Выполнение подробного анализа модели

Шаг 3. Уточнение моделей по необходимости

Завершив анализ моделей, их можно уточнить для улучшения результатов.

Интеллектуальная оптимизация модели по умолчанию включена для новых экспериментов машинного обучения. Эта возможность автоматически уточняет модели путем исключения признаков, которые могут влиять на производительность модели. Если используется хорошо подготовленный набор данных, результат должен быть готов или почти готов к развертыванию.

В качестве альтернативы можно начать обучение без интеллектуальной оптимизации, или отключить ее после выполнения одной или нескольких версий с ее использованием. Это полезно, если необходим более полный контроль процесса обучения.

Может потребоваться дополнительное уточнение до или после развертывания модели. Например, необходимость повторно обучить модели может возникнуть после изменения или обновления данных для обучения.

Для получения дополнительных сведений об уточнении моделей см. раздел Уточнение моделей.

Когда завершен процесс уточнения, можно приступать к развертыванию лучшей модели.