Granskning av modeller

För att kunna utvärdera dina modeller för maskininlärning måste du kunna förstå modellens poäng och mätvärden. I vissa fall kan det vara viktigare att förstå hur varje fält och värde påverkar det förutsedda resultatet – varför något händer – än att göra prognoser.

Arbetsflöde

När du granskar modeller ska du gå igenom detta stegvisa arbetsflöde för bästa resultat.

Steg 1: Förstå koncepten

Det kan vara bra att ha grundläggande förståelse för underliggande koncept innan du börjar granska din modellmetrik. I Qlik AutoML klassificeras modellmetrik generellt som:

• Modellpoäng

  Tolka modellpoäng

• Metrik för funktionsbetydelse

  Förstå funktionsbetydelse

Dessutom finns det ett antal olika algoritmer tillgängliga för att träna dina modeller. Se Förstå modellalgoritmer för mer information.

Steg 2: Använda gränssnittet för att utföra analys

Nästa teg är att använda Qlik AutoML för att bedöma resulltat av träningen. Du kan växla mellan de olika flikarna i experimentets gränssnitt och göra följande:

• Inspektera träningsdata för att se hur de var förberedda under träning

• Visa en sammanfattning av hur AutoML optimerade dina modeller genom att variera funktionsurval

• Utföra analys på hög nivå av metrik för kärnmodell

• Gå djupare med fördjupad jämförelse och analys av enskilda modeller

Komplett information finns i följande guider:

• Utföra snabb modellanalys

• Jämförelse av modeller

• Utföra detaljerad modellanalys

Steg 3: Förfina modellerna efter behov

Efter att modellerna har analyserats kan du förfina dem för att förbättra resultaten.

Intelligent modelloptimering är som standard aktiverat i ditt experiment. Denna funktion förfinar automatiskt modellerna åt dig genom att utesluta funktioner som kan påverka modellens prestanda. Förutsatt att du har en väl förberedd datauppsättning bör resultaten vara klara eller nästan klara för distribution.

Alternativt kan du starta träningen utan intelligent optimering eller stänga av den efter att du har kört en eller flera versioner med den. Detta är användbart om du behöver mer kontroll över träningsprocessen.

Dessutom kan det behövas förfining före eller efter distribution av modellen. Exempelvis kan du behöva träna om modeller efter att träningsdata ändrats eller uppdaterats.

Se Förfining av modeller för att ta reda på mer om hur du förfinar modeller.

Efter att du har slutfört förfiningsprocessen är du klar att distribuera den bästa modellen.