# Hämta ML-träningsrapporter Du kan hämta träningsrapporter för modeller som du tränar i ett experiment. Träningsrapporten innehåller omfattande information om de processer som utbildade en modell och eventuellt andra modeller i ML-experimentet. Du kan hämta träningsrapporter från ML-experiment och ML-distributioner som du har tillgång till. Träningsrapporterna är i PDF-format. Administratörer kan också hämta träningsrapporter från aktivitetscentret för Administration. Mer information finns i [Hämta ML-träningsrapporter som administratör](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/Admin/mc-training-report.htm). Träningsrapport för ML Träningsrapport för ML Träningsrapport för ML ![Rapport om experimentträning](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Resources/Images/ui_ml-training-report.png) ## Användningsfall Med rapporter om modellträning kan du: * Fördjupa dig i processerna som tränar dina modeller – till exempel för revisionsändamål. * Enkelt dela detaljer om modellträning med användare utanför Qlik Cloud. ## Generera en träningsrapport ### Från ett experiment Gör följande: 1. Öppna ett ML-experiment. 2. Gå till fliken Modeller. 3. Välj en modell. 4. Ovanför delavsnittet Modellinsikter klickar du på rullgardinsmenyn Träningsrapport. 5. Välj ett av följande: * Visa som PDF > Endast denna modell: Genererar en utökad rapport som innehåller information om alla modeller som tränats i experimentet. * Visa som PDF > Alla modeller: Genererar en utökad rapport som innehåller information om alla modeller som tränats i experimentet. 6. Rapporten öppnas i en ny flik. Du kan nu hämta den till din lokala dator. Du kan även generera träningsrapporter från menyn the Trepunktsmeny icon för en modell från Modellmått. ### Från en ML-distribution Gör följande: 1. Öppna ML-distribution 2. Gå till Modeller som kan distribueras-fliken. 3. Under Samtliga modeller i distributionen klickar du på the Trepunktsmeny icon bredvid en modell. 4. Välj Hämta träningsrapport. 5. I dialogrutan, valfritt aktivera Inkludera information om alla modeller i experimentet. När den aktiverades, genererade den här inställningen en utökad rapport som innehåller information om alla modeller som tränats i experimentet. Se [Fullständiga och fokuserade versioner](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/training-report.htm#FullVsFocused). 6. Vid behov klickar du på Förhandsgranska för att visa rapporten utan att hämta den. Beroende på din webbläsare kan du behöva försöka detta mer än en gång. 7. Klicka på Hämta.Rapporten genereras och sparas i din lokala nedladdningsmapp. ### Som administratör Administratörer kan också hämta träningsrapporter från aktivitetscentret för Administration. Mer information finns i [Hämta ML-träningsrapporter som administratör](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/Admin/mc-training-report.htm). ## Vad ingår i en träningsrapport? I träningsrapporten beskrivs följande information i detalj. Viss information finns kanske bara med om du hämtar den fullständiga versionen av träningsrapporten. Mer information finns i [Fullständiga och fokuserade versioner](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/training-report.htm#FullVsFocused). * Vem skapade experimentet * När experiment och modell tränades * Plats och namn på resurser som använts i träningen * Hur många versioner och modeller experimentet har * Algoritmerna som har använts för att träna modeller * Information om de träningsdatauppsättningar som har används, t.ex. hur mycket data de innehåller * Bearbetning som utfördes på träningsdata före och under träningen * Modellmått för både tränings- och holdout-data * Hyperparameterdata * Resultat av snedvridingdetektering ### Fullständiga och fokuserade versioner När en träningsrapport hämtas kan användaren aktivera inställningen Inkludera information om alla modeller i experimentet. Den här inställningen bestämmer om den fullständiga eller fokuserade versionen av rapporten ska genereras. När inställningen Inkludera information om alla modeller i experimentet är aktiverad genereras den fullständiga versionen av rapporten. Den här rapporten innehåller ytterligare information om andra modeller som tränats i experimentet. Den fokuserade rapporten innehåller istället endast information om den valda modellen. Information om andra modeller i experimentet ingår inte. ## Tolkning av termer i träningsrapporten När du analyserar träningsrapporter förutsätts det att du har en förståelse för de tekniska termer som refereras. De flesta termer förklaras i [hjälpdokumentationen Qlik Predict](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/home-automl.htm). Följande tabell innehåller definitioner för innehåll i rapporten, tillsammans med användbara hjälpämnen. Förstå termer i träningsrapporten | Avtalsperiod: | Betydelse | Associerat innehåll | | --- | --- | --- | | Batcher | Avser hur många omgångar av modeller som tränades i experimentet. Vid användning av intelligent modelloptimering tränas modeller i iterativa omgångar för att förbättra träningsprestanda och resultat.

Däremot tränar en experimentversion som inte använder intelligent modelloptimering – det vill säga manuell optimering – modeller i en enda omgång. | - | | EDA | Avser utforskande dataanalys. Detta är en term för en automatisk uppsättning bearbetning som utförs på träningsdata innan modellträningen påbörjas. | [Experimentkonfiguration](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/preprocessing-steps.htm#ExperimentSetup) | | Kodning, Impact-kodad, One-hot-kodning | Avser bearbetning som tillämpas på funktionsdata för att göra den mer användbar vid modellträning. | [Kategorisk kodning](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/categorical-encoding.htm) | | Funktionsgenerering | Avser många processer som resulterar i nya funktioner. Dessa kan vara nya funktioner som exponeras som helt nya entiteter, och även funktioner som skapas genom kodning och fritextbearbetning. | [Skapa nya funktionskolumner](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/feature-engineering.htm)

[Automatisk egenskapsgenerering](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/automatic-feature-engineering.htm)

[Kategorisk kodning](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/categorical-encoding.htm) | | Femfaldig korsvalidering | Avser den korsvalidering som utförs på modeller efter varje träningsiteration. | [Undantagna data och korsvalidering](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/holdout-crossvalidation.htm) | | Optimering | Avser huruvida modellträningen använde intelligent eller manuell optimering. | [Arbeta med modelloptimering](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/optimize-models.htm) | | Samplingskvot | Avser hur stor del av träningsdatauppsättningen som användes för att träna modellen.

Vid användning av intelligent modelloptimering kan modeller ibland tränas på mindre än 100 % av den ursprungliga datauppsättningen, särskilt för mycket stora datauppsättningar.

Däremot använder en experimentversion som inte använder intelligent modelloptimering – det vill säga manuell optimering – alltid 100 % av träningsdatauppsättningen. | [Sampling av träningsdata](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/intelligent-model-optimization.htm#Sampling) | | Dela | Avser en automatisk delning av träningsdatauppsättningen i tränings- och hållardata. Hållardatan används inte för modellträning, utan istället för att testa modellprestanda. | [Undantagna data och korsvalidering](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/holdout-crossvalidation.htm) | | U=Användaråsidosättning | Avser användaråtgärden att manuellt ändra funktionstypen från den automatiskt identifierade funktionstypen. | [Ändra funktionstyper](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/configuring-experiments.htm#Changing) | | Målutfall | Värdet för målkolumnen som förutsägs av modellen. | [Identifiera snedvridning i maskininlärningsmodeller](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/bias-detection.htm#Changing) | ## Behörigheter ### Behörighet för att hämta från ett ML-experiment Om du vill exportera en träningsrapport från ett ML-experiment behöver du ha visningsåtkomst till experimentet. Du måste alltså uppfylla följande krav: * Professionell användarbehörighet (gäller endast användarbaserade prenumerationer). * En av följande: * Automl Experiment Contributor inbyggd säkerhetsroll * Automl Deployment Contributor inbyggd säkerhetsroll * Behörigheten Hantera ML-experiment inställd på Tillåten eller Hantera ML-experiment utan GenAI via standardbehörigheter eller anpassad säkerhetsroll * Behörigheten Hantera ML-driftsättningar inställd på Tillåten via standardbehörigheter eller en anpassad säkerhetsroll * Admin-behörighet för Hantera ML-experiment och distributioner inställd på Tillåten via anpassad säkerhetsroll * För experiment i delade utrymmen krävs en av följande utrymmesroller i utrymmet: * Ägare (till utrymmet) * Kan hantera * Kan redigera * Kan visa ### Behörighet för att hämta från en ML-distribution Om du vill exportera en träningsrapport från en ML-distribution behöver du ha visningsåtkomst till både distributionen och det experiment som den distribuerades från. Du måste alltså uppfylla följande krav: * Professionell användarbehörighet (gäller endast användarbaserade prenumerationer). * En av följande: * Automl Experiment Contributor inbyggd säkerhetsroll * Automl Deployment Contributor inbyggd säkerhetsroll * Behörigheten Hantera ML-experiment inställd på Tillåten eller Hantera ML-experiment utan GenAI via standardbehörigheter eller anpassad säkerhetsroll * Behörigheten Hantera ML-driftsättningar inställd på Tillåten via standardbehörigheter eller anpassad säkerhetsroll * Admin-behörighet för Hantera ML-experiment och distributioner inställd på Tillåten via anpassad säkerhetsroll * För experiment i delade utrymmen krävs en av följande utrymmesroller i utrymmet: * Ägare (till utrymmet) * Kan hantera * Kan redigera * Kan visa * För distributioner i delade utrymmen krävs en av följande utrymmesroller i utrymmet: * Ägare (till utrymmet) * Kan hantera * Kan redigera * Kan visa * För distributioner i hanterade utrymmen krävs en av följande utrymmesroller i utrymmet: * Ägare (till utrymmet) * Kan hantera * Kan bidra * Kan visa ## Begränsningar * Träningsrapporter är endast tillgängliga för ML-experiment som skapats i slutet av juli 2025 eller senare.