Загрузка отчетов об обучении модели

Вы можете загрузить отчеты о моделях, обученных в эксперименте. Этот отчет содержит подробную информацию о процессах, использованных для обучения модели и других моделей (при наличии) в эксперименте машинного обучения. Можно загрузить отчеты об обучении из эксперимента или развертывания машинного обучения только при наличии доступа к ним. Отчеты об обучении предоставляются в формате PDF.

Администраторы также могут загрузить отчеты об обучении из центра активности Администрирование. Для получения дополнительной информации см. раздел Загрузка отчетов об обучении модели (администраторы).

Отчет об обучении в эксперименте — Отчет об обучении в машинном обучении

Сценарии применения

С отчетами об обучении моделей вы можете:

Глубже изучать процессы, которые обучают ваши модели, например, для целей аудита.
Легко делиться подробностями об обучении моделей с пользователями за пределами Qlik Cloud.

Создание отчета об обучении модели

Из эксперимента

Выполните следующие действия.

Открыть эксперимент машинного обучения.
Перейдите на вкладку Модели.
Выберите модель.
В правом верхнем углу нажмите Загрузить отчет об обучении.
В диалоговом окне при желании включите опцию Включить информацию обо всех моделях в эксперименте.

При активации эта настройка генерирует расширенный отчет, содержащий информацию обо всех моделях, обученных в эксперименте.
При необходимости нажмите Предварительный просмотр, чтобы просмотреть отчет, не загружая его. В зависимости от вашего браузера, возможно, потребуется повторить это действие несколько раз.
Нажмите Загрузить.Отчет генерируется и сохраняется в локальную папку «Загрузки».

Вы также можете сгенерировать отчет об обучении, нажав Меню «Троеточие» на модели и выбрав Загрузить отчет об обучении.

Из развертывания машинного обучения

Выполните следующие действия.

Откройте развертывание машинного обучения.
Перейдите на вкладку Развертываемые модели.
В разделе Все модели в развертывании щелкните рядом с моделью.
Выберите Загрузить отчет об обучении.
В диалоговом окне при необходимости включите Включить информацию обо всех моделях в эксперименте.

При активации этот параметр генерирует расширенный отчет, содержащий информацию обо всех моделях, обученных в эксперименте. См. раздел Полная и выборочная версии.
При необходимости щелкните Предварительный просмотр, чтобы просмотреть отчет без его загрузки. В зависимости от вашего браузера, возможно, потребуется повторить попытку несколько раз.
Нажмите Загрузить.Отчет генерируется и сохраняется в локальную папку «Загрузки».

Как администратор

Что входит в отчет об обучении

В отчете об обучении подробно изложена следующая информация. Некоторая информация выводится только в полной версии отчета об обучении. Для получения дополнительной информации см. раздел Полная и выборочная версии.

Кто создал эксперимент
Когда эксперименты и модель были обучены
Местоположение и название ресурсов, использованных в обучении
Сколько версий и моделей имеет эксперимент
Алгоритмы, использованные в обучении моделей
Информация об используемых тренировочных наборах данных – например, сколько данных они содержат
Обработка тренировочных данных, которая выполнялась до и во время обучения
Метрики модели для тренировочных и контрольных (отложенных) данных
Данные гиперпараметров

Полная и выборочная версии

При загрузке отчета об обучении пользователь может включить настройку Включить информацию обо всех моделях в эксперименте. Этот параметр определяет, в какой версии будет сформирован отчет: полной или выборочной.

Если выбрано Включить информацию обо всех моделях в эксперименте, генерируется полная версия отчета. Этот отчет содержит дополнительную информацию о других моделях, обученных в эксперименте.

В выборочной версии отчета содержится только информация о выбранной модели. Информация о других моделях эксперимента в отчет не добавляется.

Интерпретация терминов в отчете об обучении

При анализе отчетов об обучении предполагается, что вы понимаете упомянутые технические термины. Большинство терминов объясняются в справочной документации Qlik Predict.

В следующей таблице приведены определения содержимого отчета, а также полезные разделы справки.

Понимание терминов в отчете об обучении
Термин	Значение	Связанный контент
Пакеты	Относится к количеству пакетов моделей, обученных в эксперименте. При использовании интеллектуальной оптимизации моделей обучение моделей происходит итеративными пакетами для повышения производительности и результатов обучения. Напротив, версия эксперимента, которая не использует интеллектуальную оптимизацию моделей — то есть ручную оптимизацию — обучает модели в одном пакете.	-
Разведочный анализ данных	Относится к исследовательскому анализу данных. Это термин для автоматического набора операций обработки, которые выполняются с обучающими данными до начала обучения модели.	Настройка эксперимента
Кодирование, Кодирование влияния, Однократное кодирование	Относится к обработке, применяемой к данным характеристик, чтобы сделать их более пригодными для использования при обучении модели.	Категориальное кодирование
Конструирование признаков	Относится к многочисленным процессам, которые приводят к новым характеристикам. Это могут быть новые характеристики, которые представлены как совершенно новые сущности, а также характеристики, которые создаются посредством кодирования и обработки свободного текста.	Создание новых столбцов признаков Автоматическое создание признаков Категориальное кодирование
Пятикратная перекрестная проверка	Относится к перекрестной проверке, которая выполняется на моделях после каждой итерации обучения.	Отложенные данные и перекрестная проверка
Оптимизация	Относится к тому, использовалась ли при обучении модели интеллектуальная или ручная оптимизация.	Работа с оптимизацией модели
Коэффициент выборки	Относится к тому, какая часть обучающего набора данных использовалась для обучения модели. При использовании интеллектуальной оптимизации модели, модели иногда могут обучаться на менее чем 100% исходного набора данных, особенно для очень больших наборов данных. В отличие от этого, версия эксперимента, которая не использует интеллектуальную оптимизацию модели — то есть ручную оптимизацию — всегда использует 100% обучающего набора данных.	Создание выборки данных для обучения
Разделение	Относится к автоматическому разделению обучающего набора данных на обучающие и контрольные данные. Контрольные данные не используются для обучения модели, а вместо этого для тестирования производительности модели.	Отложенные данные и перекрестная проверка
П=Переопределение пользователем	Относится к действию пользователя по ручному изменению типа функциональности от автоматически определенного типа функциональности.	Изменение типов признаков

Разрешения

Разрешения для загрузки из эксперимента машинного обучения

Для экспорта отчета об обучении из эксперимента машинного обучения необходим доступ, разрешающий просмотр эксперимента. Другими словами, требуется следующее:

Право пользователя «Профессионал» или Full User в клиентеQlik Cloud.
Одно из следующего:
- Automl Experiment Contributor встроенная роль безопасности
- Automl Deployment Contributor встроенная роль безопасности
- Управление экспериментами машинного обучения разрешение установлено в Разрешено через User Default или пользовательскую роль безопасности
- Управление развертываниями ML разрешение установлено на Разрешено через User Default или пользовательскую роль безопасности
- Управление экспериментами и развертываниями ML разрешение администратора установлено на Разрешено через пользовательскую роль безопасности
Для экспериментов в общих пространствах одна из следующих ролей в пространстве:
- Владелец (пространства)
- Может управлять
- Может изменять
- Может просматривать

Разрешения для загрузки из развертывания машинного обучения

Для экспорта отчета из развертывания машинного обучения необходимы права, разрешающие просмотр как развертывания, так и эксперимента, из которого было развернуто машинное обучение.

Другими словами, требуется следующее:

Право пользователя «Профессионал» или Full User в клиентеQlik Cloud.
Одно из следующего:
- Встроенная роль безопасности Automl Experiment Contributor
- Встроенная роль безопасности Automl Deployment Contributor
- В разрешении Управление экспериментами машинного обучения установите Разрешено через User Default или настраиваемую роль безопасности
- В разрешении Управление развертываниями машинного обучения установите Разрешено через User Default или настраиваемую роль безопасности.
- В разрешении администратора Управление развертываниями и экспериментами машинного обучения установите Разрешено через настраиваемую роль безопасности.
Для экспериментов в общих пространствах одна из следующих ролей в пространстве:
- Владелец (пространства)
- Может управлять
- Может изменять
- Может просматривать
Для развертываний в общих пространствах одна из следующих ролей в пространстве:
- Владелец (пространства)
- Может управлять
- Может изменять
- Может просматривать
Для развертываний в управляемых пространствах одна из следующих ролей в пространстве:
- Владелец (пространства)
- Может управлять
- Может участвовать
- Может просматривать

Ограничения

Отчеты об обучении доступны только для экспериментов машинного обучения, созданных в конце июля 2025 года и позже.

Помогла ли вам эта страница?

Если вы обнаружили какую-либо проблему на этой странице или с ее содержанием — будь то опечатка, пропущенный шаг или техническая ошибка, сообщите нам об этом!

Оставьте свой отзыв здесь