# 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)](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/Admin/mc-training-report.htm).
Отчет об обучении в машинном обучении
Отчет об обучении в машинном обучении
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.
1. Открыть эксперимент машинного обучения.
2. Перейдите на вкладку Модели.
3. Выберите модель.
4. Над разделом Сведения о модели нажмите раскрывающийся список Отчет об обучении.
5. выберите одно из значений, указанных ниже.
* Просмотреть в формате PDF > Только эта модель: создает расширенный отчет, содержащий сведения обо всех моделях, обученных в ходе эксперимента.
* Просмотреть в формате PDF > Все модели: создает расширенный отчет, содержащий информацию обо всех моделях, обученных в ходе эксперимента.
6. Отчет откроется в новой вкладке. Теперь вы можете загрузить его на свой локальный компьютер.
Вы также можете создавать отчеты об обучении из меню the Меню «Троеточие» icon модели в разделе Метрики модели.
### Из развертывания машинного обучения
Выполните следующие действия.
1. Откройте развертывание машинного обучения.
2. Перейдите на вкладку Развертываемые модели.
3. В разделе Все модели в развертывании щелкните the Меню «Троеточие» icon рядом с моделью.
4. Выберите Загрузить отчет об обучении.
5. 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](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/training-report.htm#FullVsFocused).
6. При необходимости щелкните Предварительный просмотр, чтобы просмотреть отчет без его загрузки. В зависимости от вашего браузера, возможно, потребуется повторить попытку несколько раз.
7. Нажмите Загрузить.Отчет генерируется и сохраняется в локальную папку «Загрузки».
### Как администратор
Администраторы также могут загрузить отчеты об обучении из центра активности Администрирование. Для получения дополнительной информации см. раздел [Загрузка отчетов об обучении модели (администраторы)](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/Admin/mc-training-report.htm).
## 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](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/training-report.htm#FullVsFocused).
* 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
* Результаты обнаружения смещения
### 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](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/home-automl.htm).
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](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/preprocessing-steps.htm#ExperimentSetup) |
| Кодирование, Кодирование влияния, Однократное кодирование | Относится к обработке, применяемой к данным характеристик, чтобы сделать их более пригодными для использования при обучении модели. | [Категориальное кодирование](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/categorical-encoding.htm) |
| 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](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/feature-engineering.htm)
[Автоматическое создание признаков](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/automatic-feature-engineering.htm)
[Категориальное кодирование](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/categorical-encoding.htm) |
| Пятикратная перекрестная проверка | Относится к перекрестной проверке, которая выполняется на моделях после каждой итерации обучения. | [Отложенные данные и перекрестная проверка](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/holdout-crossvalidation.htm) |
| Оптимизация | Относится к тому, использовалась ли при обучении модели интеллектуальная или ручная оптимизация. | [Работа с оптимизацией модели](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/optimize-models.htm) |
| 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. | [Выборка данных для обучения](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/intelligent-model-optimization.htm#Sampling) |
| 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](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/holdout-crossvalidation.htm) |
| П=Переопределение пользователем | Относится к действию пользователя по ручному изменению типа функциональности от автоматически определенного типа функциональности. | [Изменение типов признаков](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/configuring-experiments.htm#Changing) |
| Целевой исход | Значение целевого столбца, которое прогнозируется моделью. | [Обнаружение предвзятости в моделях машинного обучения](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/bias-detection.htm#Changing) |
## 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:
* Профессиональное право пользователя (применяется только к подпискам на основе пользователей).
* Одно из следующего:
* Встроенная роль безопасности Automl Experiment Contributor
* Встроенная роль безопасности Automl Deployment Contributor
* Разрешение Управление ML-экспериментами установлено в значение Разрешено или Управление ML-экспериментами без GenAI с помощью разрешений по умолчанию или пользовательской роли безопасности
* Разрешение Управление развертываниями ML установлено в значение Разрешено через разрешения по умолчанию 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
### 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:
* Профессиональное право пользователя (применяется только к подпискам на основе пользователей).
* Одно из следующего:
* Встроенная роль безопасности Automl Experiment Contributor
* Встроенная роль безопасности Automl Deployment Contributor
* Разрешение Управление экспериментами ML установлено в значение Разрешено или Управление экспериментами ML без GenAI с помощью разрешений по умолчанию или настраиваемой роли безопасности
* Разрешение Управление развертываниями ML установлено в значение Разрешено с помощью разрешений по умолчанию или настраиваемой роли 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.