Analysera modeller
Qlik AutoML ger en fyllig visuell möjlighet att analysera modellerna som du tränar i ditt experiment. Du kan analysera viktig modellmetrik med ett enkelt gränssnitt som har autogenererade sammanfattningar och visualiseringar. För mer detaljerad analys och jämförelse kan du använda inbäddad analys.
Innan du börjar
Innan du analyserar modeller kan det vara bra att ha en grundförståelse för koncepten för modellgranskning. Det inkluderar modellpoäng, funktionsbetydelse och algoritmer.
Se Förstå koncept för modellgranskning för mer information.
Snabbanalys
Med snabbanalys kan du snabbt få förståelse för hur modellträningen gick och för kvaliteten på de resulterande modellerna.
Innan vi dyker ner i analys rekommenderar vi att du öppnar fliken Data där du ser hur träningsdata har hanterats. Det kan vara viktigt eftersom funktioner kan ha identifierats som inte användbara i versionen.
Öppna fliken Modeller i experimentet för en översikt över träningsresultaten. Du kan snabbt jämföra modellerna och identifiera de bästa. Information du ser på fliken beror på om du använder Intelligent modelloptimering samt problemtyp för experimentet.
Se Utföra snabb modellanalys för en fullständig guide.
Modelljämförelse
Använd inbäddad analys för interaktiva, djupgående jämförelser av dina modeller. På fliken Jämför kan du göra dessa jämförelser.
Under modelljämförelse kan du:
-
Jämföra all tillgänglig modellmetrik för alla modeller.
-
Visa och jämföra träning och undantagna poäng för alla modeller.
-
Jämföra hyperparametervärden för alla modeller.
Se Jämförelse av modeller för en fullständig guide.
Detaljerad analys
På fliken Analysera i experimentet kan du göra detaljerad analys av en specifik modell.. Detaljerad analys görs med inbäddad analys. Du kan interaktivt filtrera data för att få bättre förståelse för modellprestanda för specifika kluster av data.
Genom detaljerad modellanalys kan du identifiera problem som orsakas av träningsdata och få mer information om modellens styrkor och svagheter-
Se Utföra detaljerad modellanalys för en fullständig guide.
Nästa steg
Dina nästa steg kan bero på hur du optimerar dina modeller.
Intelligent modelloptimering skapar i bästa fall en modell som är klar att distribuera med minimal eller ingen ytterligare förfining. Kvalitet på modellerna avgörs fortfarande av kvalitet på dina träningsdata och din experimentkonfiguration. När du har analyserat modellerna och åtgärdat eventuella problem med datakvalitet eller experimentkonfiguration är det dags att distribuera den bästa modellen.
Om du identifierar ytterligare problem när du har kört intelligent modelloptimering eller om du har stängt av intelligent modelloptimering kan du manuellt konfigurera nya versioner av experimentet för att förbättra resulterande modeller.
Exempel på steg för att förfina är bland annat:
Slå på intelligent optimering efter att börjat utan den.
Stänga av intelligent optimering efter att kört en version med. Det ger möjlighet till finjusteringar av konfigurationen vid behov.
Ändra eller uppdatera träningsdata.
Ändra funktioner som ingår.
Ändra hantering av funktionsdata (exempelvis ändra funktionstyp för en funktion).
När du har nått önskade resultat kan du distribuera den bästa modellen. Mer information finns här: