Анализ моделей
Qlik AutoML обеспечивает очень наглядный интерфейс для анализа моделей, обучаемых в эксперименте. Можно анализировать ключевые метрики модели, используя простой интерфейс, который включает автоматически создаваемые сводки и визуализации. Для более подробного анализа и сравнения можно использовать встроенную аналитику.
Перед началом работы
Прежде чем приступить к анализу моделей, полезно получить общее представление о концепциях, лежащих в основе проверки модели. Сюда относятся оценки модели, важность признаков и алгоритмы.
Для получения информации см. раздел Общие сведения о концепциях проверки моделей.
Быстрый анализ
Быстрый анализ позволяет быстро получить представление о том, как проходило обучение модели, а также о качестве полученных моделей.
Перед тем как приступать к анализу, рекомендуется открыть вкладку Данные, чтобы увидеть, как проводилось обучение. Это может быть важно, так как признаки могли оказаться непригодными для использования в версии.
Откройте вкладку Модели в эксперименте для просмотра общих сведений о результатах обучения. Можно быстро сравнить модели и идентифицировать самые производительные из них. Информация, отображаемая на этой вкладке, зависит от того, используется или нет интеллектуальная оптимизация модели, а также от типа задачи в эксперименте.
Для ознакомления с полным руководством см. раздел Выполнение быстрого анализа модели.
Сравнение моделей
Используйте встроенную аналитику для глубокого интерактивного сравнения моделей. Такое сравнение можно выполнять на вкладке Сравнение.
Во время сравнения моделей, можно:
-
сравнить все доступные метрики для всех моделей;
-
просмотреть и сравнить оценки обучения и оценки, полученные на основе отложенных данных, для всех моделей;
-
сравнить значения гиперпараметров для всех моделей.
Для ознакомления с полным руководством см. раздел Сравнение моделей.
Подробный анализ
На вкладке Анализ эксперимента выполните подробный анализ конкретной модели. Подробный анализ выполняется с помощью встроенной аналитики. Можно в интерактивном режиме фильтровать данные, чтобы получить более полное представление о производительности модели для конкретных кластеров данных.
Подробный анализ модели позволяет выявить проблемы, связанные с данными для обучения, и получить дополнительную информацию о сильных и слабых сторонах модели.
Для ознакомления с полным руководством см. раздел Выполнение подробного анализа модели.
Следующие шаги
Последующие действия могут зависеть от того, как выполняется оптимизация моделей.
Интеллектуальная оптимизация модели в идеале создает модель, готовую для развертывания с незначительными доработками или совсем без них. Качество моделей все равно зависит от качества данных для обучения и конфигурации эксперимента. После анализа моделей и устранения других проблем с качеством данных или конфигурацией эксперимента можно приступать к развертыванию самой производительной модели.
Если после интеллектуальной оптимизации модели обнаруживаются другие проблемы или если интеллектуальная оптимизация была отключена в самом начале, можно вручную настроить новые версии эксперимента, чтобы улучшить результирующие модели.
Примеры действий в рамках уточнения:
-
Включение интеллектуальной оптимизации после выполнения версии без нее.
-
Выключение интеллектуальной оптимизации после выполнения версии с ней. Это позволяет вносить небольшие корректировки конфигурации по мере необходимости.
-
Изменение или обновление данных для обучения.
-
Изменение включенных признаков.
-
Изменение обработки данных признаков (например, изменение типа признака).
Добившись нужных результатов, разверните самую лучшую модель. Для получения дополнительной информации см.: