# Förstå koncept för modellgranskning

Det kan vara bra att ha grundläggande förståelse för modellmetrik innan du börjar analysera dina träningsresultat.

Tillgänglig modellmetrik kan grovt delas upp i två typer; metrik för modellpoäng respektive funktionsbetydelse. Båda typerna av metrik bör analyseras när du granskar dina modeller.

Det finns även skillnader mellan hur olika tillgängliga algoritmerna tränar dina modeller.

## Modellpoäng

Modellpoäng indikerar noggrannhet i modellernas prognoser.

[Tolka modellpoäng](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-models.htm)

## Funktionens betydelse

Funktionsbetydelse är tekniskt sätt inte modellpoäng men det bör användas i kombination med modellpoäng för att bedöma modellkvalitet och diagnostisera potentiella problem. Funktionsbetydelse ger också insikt i hur viktiga drivkrafter påverkar trender i data.

[Förstå funktionsbetydelse](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/feature-importance.htm)

## Algoritmer

Vissa algoritmer fungerar bäst med specifika problemtyper. Varje algoritm har sina styrkor och svagheter vilket bör övervägas då modeller granskas.

[Förstå modellalgoritmer](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/algorithms.htm)