Konfigurera experiment

Konfigurationen av experiment består av att välja målet och de funktioner som modellen kommer att använda för att förutsäga målet. Du kan också konfigurera ett antal valfria inställningar.

För att stödja dig i valet av ett mål analyseras den historiska datauppsättningen och sammanfattande statistik visas om varje kolumn i datauppsättningen. Flera automatiska förbehandlingssteg tillämpas på datauppsättningen för att se till att endast lämpliga data inkluderas. För mer information om dataförberedelsen, se Automatisk förberedelse och omvandling av data.

När du har kört v1 kan du skapa nya experimentversioner vid behov för att ytterligare förfina modellträningen. Mer information finns i Förfina modeller.

Krav och behörigheter

Mer information om användarkraven för att arbeta med ML-experiment finns i Arbeta med experiment.

Gränssnittet

Följande delavsnitt beskriver hur du navigerar i experimentgränssnittet för att konfigurera ditt experiment. Mer information om gränssnittet finns i Navigera i experimentgränssnittet.

Fliknavigering

När du skapar ett experiment öppnas fliken Konfiguration. Det är här du kan konfigurera målet och funktionerna för experimentet.

När du har kört minst en experimentversion blir fliken Konfiguration till Träningsdata. Andra flikar blir också tillgängliga. Dessa andra flikar låter dig analysera de modeller du just har tränat i versionen. Om du behöver konfigurera efterföljande versioner med olika funktionsval kan du återvända till fliken Träningsdata.

Schemavy och Datavy

På fliken Konfiguration/Träningsdata kan du växla mellan Schemavy och Datavy.

Schemavy

Schemavy är standardvyn. I den här vyn representeras varje kolumn i din datauppsättning av en rad i schemat med information och statistik.

Du kan:

• Välja funktioner att inkludera i ditt experiment.

• Visa information om varje kolumn, till exempel datatyp och funktionstyp.

• Visa insikter om kolumner, till exempel varför de inte kan väljas, eller hur de kommer att bearbetas under träningen.

Datavy

Datavy är en alternativ vy som du kan använda för att få tillgång till mer information och exempeldata för varje kolumn.

Konfigurationspanel för experiment

I konfigurationspanelen för experiment kan du ytterligare anpassa experimentträningen. Den här panelen är öppen som standard i nya experiment.

När du har kört en version klickar du på Visa konfiguration för att öppna panelen och konfigurera nästa version.

Med konfigurationspanelen för experiment kan du:

• Välj ett mål och en experimenttyp

• Ange ett versionsnamn

• Lägg till eller ta bort funktioner

• Konfigurera en ny version av experimentet

• Visa vilken typ av modell du tränar

• Välj att ändra eller uppdatera träningsdatauppsättningen

• Lägg till eller ta bort algoritmer

• Ändra inställningar för modelloptimering

• För tidsseriemodeller anger du prognosinställningarna

• Konfigurera biasdetektering

Välja funktionskolumner

När målet är inställt kan du välja vilka av de andra tillgängliga kolumnerna som ska inkluderas i träningen av modellen. Uteslut alla funktioner som du inte vill ska vara en del av modellen. Observera att kolumnen kommer att finnas kvar i datauppsättningen men inte kommer att användas av träningsalgoritmen.

Högst upp i konfigurationspanelen för experiment kan du se antalet celler i din datauppsättning. Om antalet överskrider gränsen för din datauppsättning kan du utesluta funktioner för att komma under gränsen.

Du kan välja funktionskolumnerna på olika sätt:

I Schemavy och Datavy

I huvudvyerna kan du:

• Avmarkera Inkludera alla tillgängliga funktioner och välj sedan endast de du vill inkludera.

• Manuellt radera kryssrutorna för de funktioner du inte vill inkludera.

• Göra en sökning och utesluta eller inkludera alla funktioner i ditt filtrerade sökresultat.

I konfigurationspanelen för experiment

I konfigurationspanelen för experiment kan du:

• Manuellt radera kryssrutorna för de funktioner du inte vill inkludera.

• När du har kört den första versionen av experimentet kan du definiera Antal toppfunktioner att inkludera.

När du väljer funktioner tilldelas de automatiskt en funktionstyp. De möjliga funktionstyperna är:

• Kategorisk

• Numerisk

• Datum

• Fritext

Funktionstypen tilldelas baserat på de data som finns i funktionskolumnen. Om en funktion uppfyller vissa kriterier kan den väljas för att bli grunden för automatiskt skapade funktioner. Om så önskas kan du ändra om funktionen används för automatisk funktionsutveckling. För fullständig information om automatisk funktionsutveckling, se Automatisk egenskapsgenerering.

Vissa kolumner i din datauppsättning kanske inte kan väljas som funktioner för ditt experiment, eller kan ha specifik bearbetning tillämpad på sig. Förklaringar av hur dina data tolkas och bearbetas visas när du navigerar i experimentträningen. Mer information finns i Tolka insikter om datamängder.

Välja algoritmer

Alla tillgängliga algoritmer är inkluderade som standard och du kan utesluta alla algoritmer som du inte vill använda. Normalt skulle du göra detta som en del av modellförfiningen när du har sett de första träningsresultaten. Läs mer i Förfina modeller.

Ändra funktionstyper

När en datauppsättning laddas behandlas kolumnerna som kategoriska, numeriska, datum eller fritext baserat på datatyp och andra egenskaper. I vissa fall kanske du vill ändra den här inställningen.

Om till exempel veckodagarna representeras av siffrorna 1–7 representerar varje siffra ett kategoriskt värde. Som standard behandlas det som ett kontinuerligt rankat numeriskt värde, så du skulle behöva ändra konfigurationen manuellt för att behandla det som kategoriskt.

När en kolumn identifieras som innehållande datum- och tidsinformation används den som grund för nya genererade automatiskt skapade funktioner. När detta händer behandlas den ursprungliga kolumnen (den överordnade funktionen) som att den har funktionstypen datum.

Du kan ändra den överordnade funktionen från en datumfunktion till en kategorisk eller numerisk funktion. Detta är till exempel användbart när en funktion identifieras som ett datum, men du behöver att den behandlas som en sträng eller ett nummer. När du gör detta kan du inte längre använda dess automatiskt skapade funktioner i experimentträningen.

Gör följande:

1. I Schemavy letar upp funktionen.

2. I kolumnen Funktionstyp för den här funktionen klickar du på .

3. Välj ett värde i listan.

Du kan alternativt ändra funktionstyper från Datavy. Leta upp funktionen och klicka sedan på bredvid den aktuella funktionstypen. Välj ett värde i listan.

Tidsserieprognoser

Om du tränar ett tidsserieexperiment tillämpas vissa transformationer av funktionstyper automatiskt beroende på din konfiguration. Om du till exempel väljer några grupper att använda för multivariata prognoser ändras funktionstyperna för dessa grupper automatiskt till kategoriska.

Inverkan på förutsägelser

När du ändrar funktionstypen för en funktion manuellt och sedan distribuerar en resulterande modell, kommer åsidosättandet av funktionstypen att tillämpas på funktionen i den tillämpade datauppsättningen som används i prognoser som görs med den modellen.

Ändra datauppsättning

Du kan ändra träningsdatauppsättningen innan du kör den första experimentversionen, liksom efter att ha kört vilken version som helst.

Om du ändrar datauppsättningen innan du kör den första versionen förlorar du all konfiguration som du har gjort innan du ändrade datauppsättningen.

Gör följande:

1. I konfigurationspanelen för experiment under Träningsdata > Granska datauppsättning klickar du på Ändra datauppsättning.

2. Välj en ny datauppsättning.

Mer information om att ändra och uppdatera datauppsättningen under modellförfining (efter att ha kört en experimentversion) finns i Ändra och uppdatera datamängden.

Konfigurera modelloptimering

Om din experimenttyp är binär klassificering, flerklassklassificering eller regression kan du justera följande inställningar för att optimera dina modeller:

• Slå på eller av intelligent modelloptimering

• Slå på eller av hyperparameteroptimering

• Slå på eller av tidsmedveten träning

Dessa alternativ kan slås på eller av för varje version av experimentet som du kör.

Konfigurera intelligent optimering

Som standard använder experimentet intelligent modelloptimering. Med intelligent modelloptimering hanterar Qlik Predict modellförfiningsprocessen åt dig genom att iterera funktionsval och tillämpa avancerade transformationer på dina data.

Mer information om intelligent optimering finns i Intelligent modelloptimering.

Du kan stänga av den här inställningen för att manuellt förfina de modeller du tränar. Du kanske till exempel vill starta din modellträning med intelligent modelloptimering och sedan byta till manuell förfining för v2 för att ytterligare justera konfigurationen.

Gör följande:

1. Klicka på Visa konfiguration.

2. Om du redan har kört minst en version av experimentet klickar du på Ny version.

3. I panelen expanderar du Modelloptimering.

4. Växla från Intelligent till Manuell.

5. Använd skjutreglaget för att ställa in den maximala körtiden för träningen.

Konfigurera hyperparameteroptimering

Du kan optimera modellerna med hjälp av hyperparameteroptimering. Observera att detta är ett avancerat alternativ som kan öka träningstiden avsevärt. Hyperparameteroptimering är tillgängligt om du stänger av intelligent optimering.

Mer information finns i Hyperparameteroptimering.

Gör följande:

1. Klicka på Visa konfiguration.

2. Om du redan har kört minst en version av experimentet klickar du på Ny version.

3. I panelen expanderar du Modelloptimering.

4. Växla från Intelligent till Manuell.

5. Markera kryssrutan Hyperparameteroptimering.

6. Du kan valfritt ställa in en tidsgräns för din optimering. Standardtidsgränsen är en timme.

Konfigurera tidsmedveten träning

Om du vill att dina modeller ska tränas med hänsyn till en tidsseriedimension aktiverar du tidsmedveten träning för experimentversionen. För att använda det här alternativet måste du ha en kolumn i din datauppsättning som innehåller relevant tidsserieinformation.

När tidsmedveten träning är aktiverad använder Qlik Predict specialiserade korsvaliderings- och null-imputeringsprocesser för att träna modellerna.

Mer information finns i Skapa tidskänsliga modeller och Tidsbaserad korsvalidering.

Gör följande:

1. Klicka på Visa konfiguration.

2. Om du redan har kört minst en version av experimentet klickar du på Ny version.

3. I panelen expanderar du Modelloptimering.

4. Under Tidsbaserad test-träningsuppdelning väljer du det Datumindex som ska användas för att sortera data.

Visa insikter om träningsdata

På fliken Konfiguration/Träningsdata i experimentet kan du visa insikter om hanteringen av träningsdata. Denna information är tillgänglig i kolumnen Insikter i Schemavy. Informationen som visas beror på om du har kört en version med aktuella träningsdata eller inte. Ändringarna i kolumnen Insikter kan hjälpa dig att identifiera varför funktioner kan vara otillgängliga för användning, eller varför de automatiskt har tagits bort.

Mer information om vad varje insikt betyder finns i Tolka insikter om datamängder.