Analysera modeller
Qlik Predict ger en rik visuell upplevelse för att analysera de modeller du tränar i ditt experiment. Du kan analysera viktiga modellmått med ett enkelt gränssnitt som innehåller automatiskt genererade rekommendationer, sammanfattningar och visualiseringar. För mer detaljerad analys och jämförelser kan du använda inbäddad analys.
Innan du börjar
Innan du analyserar modeller kan det vara bra att ha en grundläggande förståelse för begreppen vid modellgranskning. Detta inkluderar modellpoäng, funktionernas betydelse och algoritmer.
Mer information finns i Förstå koncept för modellgranskning.
Snabbanalys
Med snabbanalys kan du snabbt få en förståelse för hur modellträningen gick och kvaliteten på de resulterande modellerna. Du kan också granska vilka modeller som rekommenderas för dig baserat på vanliga krav.
Innan du sätter igång med analysen rekommenderas det att du öppnar fliken Träningsdata för att se hur träningsdata hanterades. Detta kan vara viktigt eftersom funktioner kan ha visat sig vara oanvändbara i versionen.
Öppna fliken Modeller i experimentet för en översikt över träningsresultaten. Du kan snabbt jämföra modellerna och identifiera de som presterar bäst. Informationen du ser på den här fliken beror på om du använder Intelligent modelloptimering, samt problemtypen för ditt experiment.
Mer information finns i:
Modelljämförelse
Använd inbäddad analys för att göra en interaktiv, djupgående jämförelse av dina modeller. Du kan göra dessa jämförelser på fliken Jämför.
Under modelljämförelsen kan du:
-
Jämföra alla tillgängliga modellmått för alla modeller.
-
Visa och jämföra tränings- och holdout-poäng för alla modeller.
-
Jämföra hyperparametervärden för alla modeller.
En omfattande guide finns i Jämförelse av modeller.
Detaljerad analys
På fliken Analysera i experimentet kan du utföra en detaljerad analys av en specifik modell. Detaljerad analys utförs med inbäddad analys. Du kan filtrera data interaktivt för att få en bättre förståelse för modellprestanda för specifika datakluster.
Med detaljerad modellanalys kan du identifiera problem som orsakas av träningsdata och lära dig mer om en modells styrkor och svagheter.
En omfattande guide finns i Utföra detaljerad modellanalys.
Hämta träningsrapporter
För ytterligare information kan du hämta träningsrapporter för modeller i ditt experiment. En träningsrapport ger en djupgående sammanfattning av hur en modell tränades, med omfattande detaljer om förbearbetning, funktionsomvandlingar, experimentversioner och modellmått. Träningsrapporter exporteras direkt till din lokala dator.
Mer information finns i Hämta ML-träningsrapporter.
Nästa steg
Dina nästa steg kan bero på hur du optimerar dina modeller.
Intelligent modelloptimering skapar helst en modell som är redo att distribueras med minimal eller ingen ytterligare förfinande. Kvaliteten på modellerna beror fortfarande på kvaliteten på dina träningsdata, experimentkonfigurationen och eventuella krav som är specifika för ditt prediktiva användningsfall. När du har analyserat modellerna och åtgärdat eventuella andra problem med datakvalitet eller experimentkonfiguration är du redo att distribuera den modell som är bäst lämpad för dina krav.
Om du identifierar ytterligare problem efter att ha kört intelligent modelloptimering, eller om du har inaktiverat intelligent modelloptimering från början, kan du konfigurera nya versioner av experimentet manuellt för att förbättra de resulterande modellerna.
Exempel på förfiningssteg inkluderar:
-
Aktivera intelligent optimering efter att ha startat utan den.
-
Inaktivera intelligent optimering efter att ha kört en version med den. Detta gör att du kan göra justeringar i konfigurationen efter behov.
-
Ändra eller uppdatera träningsdata.
-
Ändra de inkluderade funktionerna.
-
Ändra hanteringen av funktionsdata (till exempel ändra funktionstyp för en funktion).
När du har uppnått önskat resultat distribuerar du en eller flera modeller. Mer information finns i: