Intelligent modelloptimering

Intelligent modelloptimering tillhandahåller automatisk förfining av de modeller du tränar i ett experiment. Med intelligent modelloptimering utesluts funktioner som kan ha en negativ påverkan på modellens prestanda automatiskt från modellträningen. Med en väl förberedd träningsdatauppsättning som innehåller alla relevanta funktioner kan du förvänta dig att intelligent modelloptimering tränar modeller som är klara att användas inom en enda version.

Vad är intelligent modelloptimering?

Intelligent modelloptimering automatiserar många aspekter av modellförfiningsprocessen. Intelligent modelloptimering identifierar och tar bort funktioner som minskar en modells potentiella prognosprestanda.

Använda intelligent modelloptimering

Intelligent modelloptimering är som standard aktiverat i nya ML-experiment. Du kan slå på eller av det för varje version av experimentet du kör.

När du har kört en experimentversion med intelligent optimering på kan du visa resultaten av optimiseringen i Sammanfattning av modellträning. Sammanfattningen visas på fliken Modeller under Modellinsikter. Hovra över understrukna termer för detaljerad beskrivning.

Sammanfattning av modellträning skiljer sig för varje modell som tränats i en experimentversion.

Under intelligent modelloptimering kan en funktion släppas på grund av någon av följande anledningar:

• Målläckage: Funktionen misstänks vara påverkad av målläckage. Funktioner som påverkar målläckage innehåller information om målkolumnen som du försöker förutsäga. Exempelvis kan en funktion härledas direkt från målet eller innehålla information som inte är känd vid tidpunkten för prognosen. Funktioner som orsakar målläckage kan ge en falsk känsla av säkerhet gällande modellens prestanda. I verkliga prognoser kan detta göra att modellen presterar mycket dåligt.

• Liten permutationsbetydelse: Funktionen har liten, eller ingen, påverkan på modellens prognoser. Tas dessa funktioner bort förbättras modellens prestanda då statistiskt brus minskas.

• Stark korrelation: Funktionen har stark korrelation med en eller flera andra funktioner i experimentet. Funktioner med alltför stark korrelation är inte lämpade att användas för att träna modeller.

På fliken Data i experimentet kan du visa insikter om släppta funktioner för varje modell. Insikter refererar också till funktioner som släppts från den intelligenta modelloptimeringsprocessen. Se Tolka datauppsättningsinsikter för mer information om varje insikt.

Så här fungerar intelligent modelloptimering

Med intelligent modelloptimering:

• Fler modeller tränas än med manuell optimering. Funktionsurval hanteras på modellnivå. Det innebär, till skillnad från manuell optimering, att alla modeller i en version kan ha olika funktionsurval.
• För kvalitetssäkring finns en baslinjemodell – en modell som tränats med hela funktionsuppsättningen som du har konfigurerat för versionen – som också tränas. Detta är en hjälp för att kontrollera om intelligent optimering verkligen har förbättrat modellpoängen.
• För större träningsdatauppsättningar tränas modellerna med skiftande samplingskvot. Det hjälper till att snabba upp träningsprocessen. Se Sampling av träningsdata för mer information.

Sampling av träningsdata

När du tränar modeller med stora mängder data använder AutoML sampling för att träna modeller på olika delmängder (samplingskvoter) av den ursprungliga datauppsättningen. Sampling används för att snabba upp träningsprocessen. När träningen startas, tränas modellerna på låg samplingskvot. Allteftersom träningen fortskrider tränas modellerna på större och större delar av alla data. Avslutningsvis tränas modellerna på hela datauppsättningen (samplingskvot 100 %).

Vid analys av modellträningsdata döljs modeller som tränas med under 100 % av träningsdatauppsättningen från vissa vyer.

Stänga av intelligent optimering

Om intelligent optimering är avstängd optimerar du träningen manuellt. Manuell optimering kan vara användbar om du vill ha mer kontroll över träningsprocessen. Mer specifikt kanske du vill köra en version med intelligent modelloptimering, då ska du stänga av inställningen om du behöver göra ett mindre antal manuella justeringar.

Gör följande:

1. I ett experiment klickar du på Visa konfiguration.

   Experimentets konfigurationspanel öppnas.

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

3. Expandera Modelloptimering i panelen.

4. Växla från Intelligent till Manuell.

Överväganden

När du arbetar med intelligent modelloptimering ska du överväga följande:

• Att använda intelligent modelloptimering är ingen garanti för att din träning kommer att producera modeller av hög kvalitet. Skedena förberedelse av datauppsättningen och konfiguration av experimentet är också mycket viktiga för att producera pålitliga modeller. Om du inte har en väl förberedd datauppsättning eller om din konfiguration saknar några funktioner är det inte säkert att dina modeller presterar bra under vid användning i produktion. För mer information om dessa skeden, se:

  • Gör din datauppsättning redo för träning

  • Konfigurering av experiment

• När intelligent modelloptimering är påslagen för en version har varje modell från denna version en separat uppsättning funktioner. Å andra sidan har alla modeller från en version som tränats med manuell optimering samma uppsättning funktioner.

• Intelligent modelloptimering använder enbart de funktioner och algoritmer som du har inkluderat i versionens konfiguration.

Optimering av hyperparameter

Hyperparameteroptimering är inte tillgängligt när intelligent modelloptimering är påslagen. Om du vill aktivera hyperparameteroptimering måste du ställa in modelloptimeringen på Manuell.

Se Optimering av hyperparameter för mer information.

Exempel

Se Exempel – Träningsmodeller med automatiserad maskininlärning för ett exempel på fördelarna med intelligent modelloptimering.