Ana içeriğe geç Tamamlayıcı içeriğe geç

Örnek – Otomatik makine öğrenimiyle modelleri eğitme

Bu örnekte, akıllı model optimizasyonunu kullanarak makine öğrenimi modellerini eğiteceksiniz. Akıllı model optimizasyonu ile AutoML, modellerinizi yineleme ve geliştirme sürecini sizin için yönetir.

Akıllı model optimizasyonu hakkında daha fazla bilgi için bkz. Akıllı model optimizasyonu.

Ne öğreneceksiniz?

Bu örnekte öğrenecekleriniz.

  • ML deneyi oluşturma ve yapılandırma

  • Akıllı optimizasyonun nasıl otomatik model geliştirmesi sağlayabildiği

  • Eğitim sonuçlarını görüntüleme ve analiz etme

Dikkat edilmesi gereken diğer noktalar

Akıllı model optimizasyonu, iyi hazırlanmış bir veri kümesi olması durumunda modelleri geliştirme konusunda önemli ölçüde yardımcı olur. Modellerinizin gerçek dünyadaki kullanım durumlarında yüksek kalitede olmasını sağlamak için yapılandırılmış bir çerçeveyi takip ederek başlamanız ve alakalı özellikler ile veriler içeren bir eğitim veri kümesi hazırlamanız çok önemlidir. Daha fazla bilgi için bk.

Akıllı model optimizasyonu, isteğe bağlı olarak her bir deney sürümü için kapatılabilir. Bu ayarı kapattığınızda modellerinizi manuel olarak optimize edersiniz. Manuel optimizasyon, deney yapılandırmasında belirli düzenlemeler yapmak istediğinizde faydalı olabilir. Akıllı model optimizasyonuyla bir sürümü çalıştırabilir, ardından sağladığı otomatik geliştirmeden faydalanmaya devam ederken bunu kapatarak küçük manuel değişiklikler yapabilirsiniz.

Bu örnek, akıllı optimizasyonla deney eğitimini kapsar. Manuel optimizasyonun nasıl kullanılacağını gösteren eksiksiz bir öğretici için bkz. Öğretici – Tahmin verilerini üretme ve görselleştirme. Bu öğretici; modelleri dağıtma, tahmin yapma ve tahmin verilerini etkileşimli Qlik Sense uygulamalarıyla görselleştirme konusunda uçtan uca rehberlik de sağlar.

Bu örneği kim tamamlamalı?

Makine öğrenimi modellerinizi geliştirmek üzere akıllı model optimizasyonunu nasıl kullanacağınızı öğrenmek için bu örneği tamamlamalısınız.

Bu örneği tamamlamak için aşağıdakilere ihtiyacınız vardır:

  • Professional veya Full User yetkilendirmesi

  • Kiracıda Automl Experiment Contributor güvenlik rolü

  • İşbirliği yapılan bir alanda çalışıyorsanız çalışacağınız alanlarda gerekli alan rolleri. Bkz.: Paylaşılan alanlarda izinleri yönetme

ML kaynaklarını görüntüleyemiyor veya oluşturamıyorsanız bu büyük olasılıkla, gerekli rollere, yetkilendirmelere ya da izinlere sahip olmadığınız anlamına gelir. Daha fazla bilgi için kiracı yöneticinize başvurun.

Daha fazla bilgi için bkz. Qlik AutoML ile kimler çalışabilir?.

Başlamadan önce yapmanız gerekenler

Bu paketi indirin ve masaüstünüze çıkarın:

AutoML örneği - Akıllı model optimizasyonu

Paket, modelleri eğitmek için kullanacağınız eğitim veri kümelerini içerir. Veri kümesi, abonelik yenileme tarihi geçmiş ve abonelikten ayrılma veya hizmet aboneliğini sürdürme kararı vermiş müşterilerin bilgilerini içerir.

  1. Analiz etkinlik merkezini açın.

  2. Oluştur sayfasına gidin, Veri Kümesi'ni seçin ve ardından Veri dosyasını yükle'yi seçin.

  3. AutoML Example - Churn data - training.csv dosyasını yükleme diyalog penceresine sürükleyin.

  4. Alan seçin. Kişisel alanınızı veya diğer kullanıcıların bu verilere erişmesini istiyorsanız paylaşılan bir alanı seçebilirsiniz.

  5. Yükle'ye tıklayın.

Veri kümesi yüklendiğine göre deney oluşturmaya devam edebilirsiniz.

1. Bölüm: Deney oluşturma

  1. Analiz etkinlik merkezinin Oluştur sayfasına gidin ve ML dağıtımı'nı seçin.

  2. Deneyiniz için Akıllı optimizasyon örnek gibi bir ad girin.

  3. İsteğe bağlı olarak açıklama ve etiket ekleyebilirsiniz.

  4. Deneyiniz için bir alan seçin. Kişisel alanınızı veya paylaşılan bir alanı seçebilirsiniz.

  5. Oluştur'a tıklayın.

  6. AutoML Example - Churn data - training.csv dosyasını seçin.

2. Bölüm: Deneyi yapılandırma

Sonra deneyi yapılandırabiliriz.

Akıllı model optimizasyonu, manuel optimizasyona kıyasla başlangıçta daha az yapılandırma gerektirir. Bu durumda, bir hedef seçecek ve varsayılan olarak dahil edilen tüm özellikleri kullanacağız.

Hedefi seçme

Makine öğrenimi modelimizin müşteri kaybını tahmin etmesini istediğimiz için hedef olarak Churned öğesini (veri kümesindeki son sütun) seçiyoruz.

Deneyde Veri sekmesi, gösterilen tek sekme olmalıdır. Birkaç şekilde hedef seçebilirsiniz, ancak biz burada, varsayılan olarak açılan Tablo satırları Şema görümünü kullanıyoruz.

  • Şemada imleci Churned öğesinin üzerine getirin ve görünen hedef Hedef simgesine tıklayın.

Şema görünümünde hedefi seçme

Hedef sembolüne sahip veri kümesi sütunu.

Özellik seçimini onaylama

Bir hedef seçmenizin ardından tüm mevcut ve önerilen özellikler varsayılan olarak dahil edilir. Tablo satırları Şema görünümünde iki özellik haricinde tümünün dahil edildiğini onaylayın. Her dahil edilen özelliğin yanında dolu onay kutuları olmalıdır. Country kullanıma açık değildir. Yüksek nicelik nedeniyle AccountID kullanılması önerilmez, bu nedenle onu seçmeyiz.

Varsayılan özellik seçimini gösteren şema

Deney sürümüne dahil edilen tüm mevcut ve önerilen özellikleri gösteren şema görünümü

Akıllı optimizasyonu onaylama

Ek ayarları yapılandırmak için sayfanın sağında açık bir panel olmalıdır. Akıllı model optimizasyonunun açık olduğunu kontrol etmek isteriz.

  1. Deney yapılandırması paneli açık değilse açmak için Kontroller Yapılandırmayı görüntüle seçeneğine tıklayın.

  2. Panelde Model optimizasyonu'nu genişletin.

  3. Seçilen optimizasyon seçeneği Akıllı olmalıdır.

Deney sürümünün Akıllı optimizasyon seçeneğiyle çalıştığını onaylama

"Akıllı" olarak ayarlanan "Model optimizasyonu" ayarını gösteren deney yapılandırma paneli

Eğitimi çalıştırın

Model eğitimine başlamak için sayfanın sağ üst köşesindeki Deneyi çalıştır'a tıklayın.

3. Bölüm: Sonuçları görüntüleme

Eğitim tamamlandıktan sonra Modeller sekmesi yeniden görünür ve açılır. Burada, eğitim sırasında hangi optimizasyonların gerçekleştirildiğini görüntüleyebilirsiniz. Kupa ile işaretlenmiş en üstteki model otomatik olarak seçilir. Bu modeli analiz edelim.

Model eğitim özetine bakın. Bu size ilgili model için akıllı optimizasyon sonuçlarını gösterir. Bu durumda, aşağıdaki özelliklerin kullanımdan kaldırıldığını ve kaldırılmalarının nedeninin sağlandığını görüyoruz:

  • DaysSinceLastService, hedef sızıntısından şüphelenildiği için kullanımdan kaldırıldı. Bu durumda, uygun olmayan mantığa sahip verileri içere sütun. Hizmetini iptal eden (bazı durumlarda yıllar önce) müşteriler için aktif olarak dahil edilen son hizmet kaydı üzerinden geçen günler. Modele yanlış performans puanları vereceği ve modelin dağıtıldığında kötü performans sergilemesine neden olacağı için bu modelin kaldırılması gerekiyordu. Bkz. Veri sızıntısı

  • PriorPeriodUsage ve PriorPeriodUsage-Rounded, başka bir özellikle çok yüksek korelasyon oranına sahip olduğu için kullanımdan kaldırıldı. Arasında korelasyon olan özellik hala eğitimdeydi. bk. Korelasyon.

  • CurrentPeriodUsage, CustomerTenure, StartMonth, Territory, DeviceType ve StartWeek, düşük permütasyon önemi nedeniyle kullanımdan kaldırıldı. Model üzerinde düşük etkiye sahip olan özellikler, istatistik gürültüsü olarak görülür ve performansı iyileştirmek için kaldırılabilir. bk. Permütasyon önemini anlama.

Akıllı optimizasyonla kullanımdan kaldırılan özellikleri gösteren model eğitim özeti grafiği

Hedef sızıntısı, yüksek korelasyon ve düşük permütasyon önemli nedeniyle kullanımdan kaldırılan özellikleri gösteren en yüksek performanslı model için eğitim özeti grafiği

Bu özellikler kaldırıldığına göre artık en etkili özellikleri ve modelin tahmin performansına ilişkin bazı göstergeleri içeren görselleştirmeleri görebiliriz. Bu grafiklerde gördükleriniz, özellik setinde bir şeyin eksik veya sonuçlarda sapma olup olmadığını değerlendirmenize yardımcı olabilir.

Bu görselleştirmelerle modelleri analiz etme hakkında daha fazla bilgi için bkz. Hızlı model analizi yapma.

Analizi daha ayrıntılı inceleyin

Model metriklerini daha ayrıntılı keşfetmek istiyorsanız deneyde Karşılaştır ve Analiz sekmelerine geçiş yapın. Bu sekmeler size metriklerin daha ayrıntılı, etkileşimli bir görünümünü verir.

Daha fazla bilgi için bk. Modelleri karşılaştırma ve Ayrıntılı model analizi yapma.

Sonraki adımlar

Yüksek kaliteli bir veri kümesiyle akıllı optimizasyon, çok az yineleme gerektirerek veya hiç yineleme gerektirmeden dağıtmaya hazır modeller oluşturur. Bu noktada, en iyi performans gösteren modeli dağıtmanız önerilir. Aksi durumda, modelleri manuel olarak geliştirmeye devam edebilir veya eğitim verilerini güncelleyip akıllı model optimizasyonunu tekrar çalıştırabilirsiniz.

Sonraki adımlar hakkında daha fazla bilgi için bkz.:

Teşekkürler!

Bu örneği tamamladınız. Dağıtmaya hazır makine öğrenimi modellerini kolayca eğitmek için akıllı model optimizasyonunu nasıl kullanabileceğinizi öğrendiğinizi umuyoruz.

Daha fazla bilgi ve kaynaklar

Fikirleriniz bizim için önemli

Her konudaki geri bildiriminizi öğrenmek isteriz. Lütfen bizimle ilgili görüşlerinizi bildirmek için aşağıdaki bölümü kullanın.

Bu sayfa size yardımcı oldu mu?

Bu sayfa veya içeriği ile ilgili bir sorun; bir yazım hatası, eksik bir adım veya teknik bir hata bulursanız, bize bildirin, düzeltelim!