# Arbeta med experiment

Ladda historiska data i ett automatiserat maskininlärningsexperiment och träna en modell för att analysera och förutsäga ett affärsproblem.

Du kan skapa och redigera experiment i personliga eller delade utrymmen.

## Arbetsflöde

Innan du skapar ett automatiserat maskininlärningsexperiment i Qlik Cloud-analys måste du ha en väldefinierad maskininlärningsfråga och ett lämpligt träningsdataset tillgängligt i katalogen. Mer information finns i [Definiera frågor för maskininlärning](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework.htm) och [Förbereda din datamängd för träning](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/dataset-preparation.htm).

Följande steg beskriver ett arbetsflöde för experiment.

1. Skapa ditt experiment

   Skapa ett nytt experiment i Qlik Cloud. Lägg till det i ett delat utrymme om du vill samarbeta.

   [Skapa experiment](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/creating-experiments.htm)

2. Konfigurera ditt experiment

   Välj ett mål att göra förutsägelser för och funktioner för att stödja förutsägelsen.

   [Konfigurera experiment](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/configuring-experiments.htm)

3. Starta träningen

   Starta träningen av din första experimentversion.

   [Träningsexperiment](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/training-experiments.htm)

4. Granska rekommenderade modeller

   Granska hur modellträningen gick och bedöm de modeller som har rekommenderats till dig. Använd de inbyggda verktygen för att analysera träningssammanfattningar och inbäddad analys, som ger insikter på experiment-, versions- och modellnivå.

   [Granskning av modeller](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/reviewing-experiments.htm)

   Om ytterligare förfining behövs kan du konfigurera efterföljande versioner av experimentet. Justera parametrar som funktioner och algoritmer och träna om nya versioner av experimentet tills du har en bra modell.

   [Förfina modeller](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/refining-models.htm)

5. Distribuera modellen

   När du har en bra modell är det dags att distribuera den och börja göra förutsägelser.

   [Arbeta med ML-distributioner](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/working-with-deployments.htm)

## Krav och behörigheter

För information om de utrymmesroller som krävs för att arbeta med ML-experiment i delade utrymmen, se:

* [Delade utrymmesbehörigheter för professionella och kapacitetsbaserade prenumerationsanvändare](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/Spaces/permissions-shared-space-prof-full.htm)

* [Delade utrymmesbehörigheter för administratörer](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/Spaces/permissions-shared-space-admin.htm)

Om du är administratör, se [Vem kan arbeta med Qlik Predict](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/who-can-work-with-automl.htm) för en omfattande översikt över de användarbehörigheter som krävs för att arbeta med ML-experiment.

## Visa ursprung och konsekvensanalys

Med hjälp av verktygen Ursprung och Konsekvensanalys i Qlik Cloud kan du analysera:

* Ursprunget till ett ML-experiment och de data som används för att träna varje modell.

  [Analysera ursprung för maskininlärningsinnehåll](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/Catalog/lineage.htm#MLLineage)

* Hur ML-experimentet och dess utdata används i nedströmsinnehåll över hela Qlik Cloud.

  [Påverkansanalys för maskininlärningsinnehåll](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/Catalog/impact-analysis2.htm#MLImpact)