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 Predict 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 Predict для оценки результатов обучения. Можно переключаться между различными вкладками в интерфейсе эксперимента для выполнения следующих действий.

• Обзор рекомендуемых моделей

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

• Просматривайте информацию о том, как Qlik Predict оптимизирует модели, меняя выборку признаков

• Выполняйте высокоуровневый анализ главных метрик модели

• Выполняйте более глубокое сравнение и анализ отдельных моделей

Для получения полных сведений см. следующие руководства:

• Выбор оптимальной модели

• Выполнение быстрого анализа модели

• Сравнение моделей

• Выполнение подробного анализа модели

Шаг 3. Уточнение моделей по необходимости

После анализа моделей Вы, возможно, захотите развертывания одной из рекомендованных моделей с наилучшими показателями. Если требуется дальнейшее уточнение, Вы можете создать последующие версии, чтобы улучшить результаты.

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. При условии, что набор данных был хорошо подготовлен, рекомендуемые модели должны быть готовы или почти готовы 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.

Если процесс уточнения завершен, можно приступать к развертыванию подходящей модели.