Förfining av modeller

När du väl har skapat några första modeller är det viktigt att förfina dem för att öka deras effektivitet och potentiella noggrannhet. Modellpoängen anger olika mått på dessa prestanda. Målet med att förfina modellerna är att öka dessa poäng, men en högre poäng är inte alltid ett tecken på en bättre modell.

Du kan förfina dina modeller genom att exkludera eller inkludera funktioner, ändra träningsdata och modifiera andra konfigurationsparametrar. Genom att göra det kan du jämföra olika versioner och se vilken påverkan dina ändringar har.

Genom att tolka poängen lär du dig hur du kan förfina modellen. Värdena för de olika måtten kan ge dig insikter om vilka åtgärder du ska vidta för att förbättra resultatet.

Krav och behörigheter

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

Konfigurera en ny version

När du har kört en experimentversion kan du förfina dina modeller vid behov genom att skapa en ny version.

Gör följande:

1. Välj vilken modell du vill förfina i tabellen Modellmått.

2. Klicka på Visa konfiguration längst ned till höger för att öppna rutan Experimentkonfiguration.

3. Klicka på Ny version.

När du har skapat en ny version kan du göra ändringar i dess konfiguration, till exempel:

• Utesluta befintliga funktioner

• Inkludera tidigare uteslutna funktioner

• Ändra eller uppdatera datauppsättningen

• Välja eller välja bort algoritmer

Mer information om de här alternativen finns i följande avsnitt.

När du gör ett utkast till en ny version klickar du på ikonen filtrera under Funktioner i rutan Experimentkonfiguration. När du filtrerar kan du enklare visualisera vilka funktioner som har lanserats sedan du ändrade träningsdatauppsättningen. Du kan också visa vilka funktioner som är autogenererade och icke-genererade.

Förbättring av datauppsättningen

Om din modell inte får bra poäng kan det vara lämpligt att se över datauppsättningen för att åtgärda eventuella problem. Läs mer om hur du kan förbättra datauppsättningen i Gör din datauppsättning redo för träning.

Uteslutning av funktioner

Fler funktioner ger inte nödvändigtvis en bättre modell. För att förfina modellen behöver du utesluta otillförlitliga och irrelevanta funktioner, t.ex följande:

• Funktioner med för hög korrelation. Av två korrelerade funktioner utesluts den med mindre betydelse.

• Funktioner med för liten funktionsbetydelse. Dessa funktioner har inget inflytande på det du försöker lära dig något om.

• Funktioner med för stor funktionsbetydelse. Detta kan bero på dataläckage.

Testa att ta bort funktionen från träningsdata, kör sedan träningen igen och kontrollera om modellen förbättras. Gör det stor skillnad eller ingen skillnad för modellens poäng?

Gör följande:

1. Öppna ett experiment från Catalog.

2. Välj den modell som du vill förfina.

3. Klicka på Visa konfiguration längst ned till höger för att öppna rutan Experimentkonfiguration.

4. Klicka på Ny version för att konfigurera en ny experimentversion.

5. Under Funktioner avmarkerar du kryssrutorna för alla funktioner som du inte vill använda i träningen.

Lägga till funktioner

Om din modell fortfarande inte får bra poäng kan det bero på att de funktioner som har ett samband med målet ännu inte finns med i datauppsättningen. Du kan återbearbeta och modifiera din datauppsättning för att optimera datakvaliteten och lägga till nya funktioner och information. När du är klar kan den nya datauppsättningen läggas till i kommande experimentversioner. Se Ändra eller uppdatera datauppsättningen.

Läs mer om hur du hittar eller utvecklar nya funktioner i Skapa nya funktionskolumner.

Välja algoritmer

Baserat på målkolumnens datatyp väljs automatiskt lämpliga algoritmer för träning. Du kanske vill utesluta algoritmer som inte fungerar lika bra eller är långsammare. På så sätt behöver du inte slösa tid på dem för träning.

Mer information om hur algoritmer väljs finns i Algoritmer.

Gör följande:

1. Öppna ett experiment från Catalog.

2. Välj den modell som du vill förfina.

3. Klicka på Visa konfiguration längst ned till höger för att öppna rutan Experimentkonfiguration.

4. Klicka på Ny version för att konfigurera en ny experimentversion.

5. Under Algoritmer avmarkerar du kryssrutorna för alla algoritmer som du inte vill använda i träningen.

Ändra eller uppdatera datauppsättningen

Om dina träningsdata har ändrats sedan den senaste experimentversionen kan du ändra eller uppdatera datauppsättningen för kommande versioner av experimentet.

Detta kan vara användbart om du vill jämföra modellmått och prestanda för olika datauppsättningar inom samma experiment. Detta är användbart om exempelvis:

• En ny uppsättning dataposter är tillgängliga, eller uppdateringar av den ursprungliga uppsättningen dataposter har gjorts. Exempelvis kan den senaste månadens transaktioner ha blivit tillgängliga och vara lämpliga för användning i träning, eller ett problem vid datainsamling kan ha identifierats och åtgärdats.

• Den ursprungliga träningsdatauppsättningen har återbearbetats eller modifierats, kanske i syfte att förbättra modellträningen. Du kan exempelvis ha förbättrat logiken för att definiera kolumnvärden, eller till och med ha lagt till nya funktionskolumner.

Att ändra eller uppdatera datauppsättningen påverkar inte befintliga modeller som redan har tränats med tidigare experimentversioner. Inom en experimentversion tränas modellerna bara på träningsdata som definierats inom den specifika versionen.

Krav

När du ändrar eller uppdaterar datauppsättningen för en ny experimentversion måste den nya datauppsättningen uppfylla följande krav.

• Målkolumnens namn och funktionstyp måste vara samma som målet i den ursprungliga träningsdatauppsättningen.

• Antalet distinkta värden i målkolumnen måste ligga inom det intervall som krävs för den aktuella experimenttypen. För ett experiment med multiklassklassificering till exempel måste målkolumnen i den nya datauppsättningen fortfarande ha mellan tre och tio unika värden. De specifika intervallen finns i Bestämma den typ av modell som skapas.

Övriga funktionskolumner kan vara helt nya, ha olika namn och innehålla olika data.

Byta datauppsättning

Gör följande:

1. Välj en modell i tabellen Modellmått i ett experiment.

2. Klicka på Visa konfiguration längst ned till höger för att öppna rutan Experimentkonfiguration.

3. Klicka på Ny version för att konfigurera en ny experimentversion.

4. Under Träningsdata klickar du på Ändra datauppsättning.

5. Välj eller ladda upp den nya datauppsättningen.

Uppdatera datauppsättningen

Gör följande:

1. Välj en modell i tabellen Modellmått i ett experiment.

2. Klicka på Visa konfiguration längst ned till höger för att öppna rutan Experimentkonfiguration.

3. Klicka på Ny version för att konfigurera en ny experimentversion.

4. Under Träningsdata klickar du på Uppdatera datauppsättning.

   Om det finns en uppdatering av datauppsättningen får du ett meddelande. En datauppsättning uppdateras i typfallet när den befintliga datafilen skrivs över när en ny fil med samma namn skapas.

Jämförelse av experimentversioner

När du har gjort dina ändringar kör du träningen igen och jämför den nya versionen med den gamla för att se effekten av ändringarna.

Gör följande:

1. Klicka på Kör v2 i det nedre högra hörnet av skärmen för att träna en annan experimentversion.

   (Texten på knappen beror på hur många versioner du har kört.)

2. I tabellen Modellmått kan du filtrera modellerna med hjälp av rullgardinsmenyerna för algoritm, version och andra egenskaper. Tabellen kan också sorteras efter enskilda måttkolumner.

Ta bort experimentversioner

Du kan ta bort experimentversioner som du inte vill behålla. Observera att alla modeller i experimentversionerna också tas bort och inte kan återställas.

Gör följande:

1. I tabellen Modellmått väljer du en modell från den experimentversion som du vill ta bort.

2. Klicka på Ta bort <versionsnummer> längst ned till höger.

3. Klicka på Ta bort i bekräftelsedialogrutan.