Akıllı model optimizasyonu
Akıllı model optimizasyonu, bir deneyde eğittiğiniz modellerin otomatik olarak geliştirilmesini sağlar. Akıllı model optimizasyonu ile özellik seçimini yineleme ve gelişmiş dönüşümler uygulama işlemi sizin için yönetilir. Tüm ilgili özellikleri içeren, iyi hazırlanmış bir eğitim veri kümesiyle akıllı model optimizasyonunun tek bir sürümde dağıtılmaya hazır modelleri eğitmesini bekleyebilirsiniz.
Akıllı model optimizasyonu nedir?
Akıllı model optimizasyonu, model geliştirme sürecinin birçok yönünü otomatikleştirir. Akıllı model optimizasyonu ile özellik seçimini manuel olarak iyileştirmeden veya giriş verilerinizi ayarlamadan yüksek kaliteli modelleri hızlı bir şekilde eğitebilirsiniz.
Akıllı model optimizasyonu kullanma
Akıllı model optimizasyonu, yeni ML deneylerinde varsayılan olarak açıktır. Bu seçeneği, çalıştırdığınız deneyin her bir sürümü için açabilir veya kapatabilirsiniz.
Akıllı optimizasyon açık şekilde bir deney sürümünü çalıştırdıktan sonra optimizasyonun sonuçlarını Model eğitim özeti'nde görüntüleyebilirsiniz. Bu özet, Modeller sekmesinde Model içgörüleri altında gösterilir. Ayrıntılı bir açıklama ile bir araç ipucu görüntülemek için imlecinizi altı çizilmiş terimlerin üzerine getirin.
Model eğitim özeti, bir deney sürümünde eğitilen her model için farklıdır.
Bir modelin, Modeller sekmesinde gösterilen Model eğitim özeti grafiği
Akıllı model optimizasyonu nasıl çalışır?
Akıllı model optimizasyonu ile:
Manuel optimizasyonla olduğundan daha fazla model eğitilir. Özellik seti, model düzeyinde yönetilir. Bu, manuel optimizasyonun aksine, bir modeldeki her sürümün farklı özellik setlerine sahip olabileceği anlamına gelir.
Varsayılan olarak tüm modellere uygulanan otomatik ön işlemeye ek olarak, eğitim verileri çeşitli gelişmiş dönüşümlerle işlenir. Bu dönüşümler, verilerinizin makine öğrenimi algoritmaları için en uygun biçimde olmasını sağlamaya yardımcı olur.
Kalite güvencesi sağlamak amacıyla yine de, sürüm için yapılandırdığınız özellik setinin tamamıyla eğitilen bir temel model eğitilir. Bu, akıllı optimizasyonun gerçekten model puanları artırıp artırmadığını kontrol etmeye yardımcı olur.
Daha büyük eğitim veri kümeleri için modeller, çeşitli örnekleme oranlarıyla eğitilir. Bu, eğitim sürecini hızlandırmaya yardımcı olur. Daha fazla bilgi için bk. Eğitim verisi örnekleme.
Eğitim verisi örnekleme
Modelleri yüksek miktarda veriyle eğitirken AutoML, modelleri orijinal veri kümesinin çeşitli alt kümeleri (örnekleme oranları) ile eğitmek için örneklemeyi kullanır. Örnekleme, eğitim sürecini hızlandırmak için kullanılır. Eğitimin başında modeller küçük örnekleme oranlarıyla eğitilir. Eğitim devam ettikçe modeller kademeli olarak daha yüksek miktarda verilerle eğitilir. Sonuç olarak modeller, veri kümesinin tamamıyla (%100 örnekleme oranı) eğitilir.
Model eğitim verilerinin analizi sırasında eğitim veri kümesinin %100'ünden daha azıyla eğitilmiş modeller bazı görünümlerden gizlenir.
Akıllı model optimizasyonu sırasında uygulanan işlem
Model eğitim özeti, eğitim verilerinin akıllı model optimizasyonu ile nasıl işlendiğini gösterir. Aşağıdaki bölümler, günlükte gördüğünüz öğelerin her biri hakkında daha fazla ayrıntı içerir.
Özellik seçimi
Akıllı model optimizasyonu, tahmin performansını düşürebilecek özellikleri çıkararak modellerinizin geliştirilmesine yardımcı olur. Akıllı model optimizasyonu sırasında bir özellik aşağıdaki nedenlerden herhangi birinden dolayı kullanımdan kaldırılabilir:
Hedef sızıntısı: Özelliğin, hedef sızıntısından etkilendiğinden şüphelenilir. Hedef sızıntısından etkileyen özellikler, tahmin etmeye çalıştığınız hedef sütun hakkında bilgiler içerir. Örneğin, özellik doğrudan hedeften türetilir veya tahmin zamanında bilinmeyen bilgileri içerir. Hedef sızıntısına neden olan özellikler size model performansı hakkında yanıltıcı bir güven hissi verebilir. Gerçek dünyadaki tahminlerde bunlar, modelin çok düşük performans sergilemesine neden olur.
Düşük permütasyon önemi: Özellik, yarattıysa bile model tahmini üzerinde fazla etki yaratmamıştır. Bu özellikleri kaldırmak, istatistiksel gürültüyü azaltarak model performansını iyileştirir.
Yüksek korelasyon oranına sahip: Özellik, deneydeki bir veya daha fazla diğer özellikle yüksek korelasyon oranına sahiptir. Çok yüksek korelasyon oranına sahip özellikler, eğitim modellerinde kullanıma uygun değildir.
Deneyin içindeki Veri sekmesinde, her bir model için kullanımdan kaldırılan özellikler hakkında içgörüler görüntüleyebilirsiniz. İçgörüler, akıllı model optimizasyonu sürecinin dışında bırakılan özellikleri de ifade eder. Her bir içgörü hakkında daha fazla bilgi için bk. Veri kümesi içgörülerini yorumlama.
Özellik dönüşümleri
Akıllı model optimizasyonu, özellik düzeyinde bir dizi teknik dönüşüm uygular. Bu dönüşümler, güvenilir bir makine öğrenimi modeli oluşturmak için daha etkili bir şekilde kullanılabilmesi amacıyla eğitim verilerinizi işler. Özellik dönüşümleri gerektiğinde otomatik olarak uygulanır. Model eğitim özetinde, özellik dönüşümleri uygulandığı zaman ve hangi özelliklerin etkilendiği size bildirilir.
Güç dönüşümü
Özellik verileri genellikle doğal olarak bir dereceye kadar asimetri ve normal dağılımdan sapma barındıran dağılımlar içerir. Bir modeli eğitmeden önce, aşırı eğri görünmeleri halinde değer dağılımlarını normalleştirmek için verilere bazı işlemler uygulamak faydalı olabilir. Bu işlem, yanlılığın azaltılmasına ve aykırı değerlerin belirlenmesine yardımcı olur.
Akıllı model optimizasyonu ile belirli bir eğrilik eşiğini aşan sayısal özellikler, güç dönüşümleri kullanılarak daha normal (veya normal benzeri) bir dağılıma sahip olacak şekilde dönüştürülür. Özellikle Yeo-Johnson Güç Dönüşümü kullanılmaktadır.
Sayısal özellikleri gruplama
Bazı sayısal özellikler, makine öğrenimi algoritmaları tarafından kolayca işlenemeyen desenler ve dağılımlar içerebilir. Akıllı model optimizasyonu ile bu durum, belirli sayısal özelliklerin verilerini değer aralıklarına bağlı olarak farklı gruplarda düzenleyerek kısmen giderilmektedir. Gruplama işlemi, özelliklerin kategorik özelliklere dönüştürülebilmesi için gerçekleştirilir.
Gruplama işlemi tamamlandıktan sonra yeni kategorik özellikler one-hot encoded olur ve eğitimde kullanılır. One-hot encoded işlemi hakkında daha fazla bilgi için bkz. Kategorik kodlama.
Anomali tespiti ve yönetimi
Anomaliler, makul olarak düşmelerini beklediğiniz aralığın dışında görünen veri değerleridir. Eğitim verilerinizde bazı aykırı değerlerin olması alışılmadık bir durum değildir. Hatta bazı anomaliler, gerçek dünyadaki olasılıkları yansıtmanın bir yolu olarak istenen bir şey olabilir. Diğer durumlarda, anomaliler güvenilir bir modelin eğitilmesine engel olabilir.
Akıllı model optimizasyonu ile AutoML potansiyel anomalileri tanımlar. Aykırı değerlerin göründüğü satırlar daha sonra algoritma destekli bir ağırlıklandırma sistemi ile ele alınır. Bir değerin anomali olduğundan kuvvetle şüpheleniliyorsa ağırlıklandırma sistemi, eğitim verilerindeki ilgili satırın model üzerindeki etkisini azaltır.
Modeliniz eğitildikten sonra, orijinal eğitim veri kümesinden anormal veri olarak ele alınan satırların yüzdesi size bildirilir.
Daha fazla bilgi için bk. Anomali tespiti ve yönetimi.
Akıllı optimizasyonu kapatma
Akıllı optimizasyon kapalıyken eğitimi manuel olarak optimize edersiniz. Eğitim süreci üzerinde daha fazla kontrole ihtiyacınız varsa manuel optimizasyon faydalı olabilir. Özellikle akıllı model optimizasyonu ile bir sürümü çalıştırmak istiyorsanız küçük bir dizi manuel düzenleme yapmanız gerekirse ayarı kapalı duruma çevirin.
Aşağıdakileri yapın:
Bir deneyde
Yapılandırmayı görüntüle'ye tıklayın.Deney yapılandırması paneli açılır.
Deneyin zaten en az bir sürümünü çalıştırdıysanız Yeni sürüm'e tıklayın.
Panelde Model optimizasyonu'nu genişletin.
Akıllı'dan Manuel'e geçiş yapın.
Dikkat edilmesi gereken noktalar
Akıllı model optimizasyonuyla çalışırken şunları göz önünde bulundurun:
Akıllı model optimizasyonunu kullanmak, eğitiminizin yüksek kaliteli modeller üretmesini garanti etmez. Veri kümesi hazırlama ve deney yapılandırması aşamaları da güvenilir modeller üretmek için çok önemlidir. İyi hazırlanmış bir veri kümeniz yoksa veya yapılandırmanızda önemli özellikler eksikse modellerinizin, üretim kullanım durumlarında iyi performans göstermesi garanti edilmez. Bu aşamalar hakkında daha fazla bilgi için bk.:
Bir sürüm için akıllı model optimizasyonu açıkken bu sürümdeki her modelde, dahil edilen özelliklerin ayrı bir seti bulunacaktır. Diğer taraftan, bir sürümde manuel optimizasyonla eğitilen tüm modellerde, dahil edilen özelliklerin aynı seti bulunacaktır.
Akıllı model optimizasyonu yalnızca sürüm için yapılandırmada dahil ettiğiniz özellikleri ve algoritmaları kullanır.
Hiper parametre optimizasyonu
Hiperparametre optimizasyonu, akıllı model optimizasyonu açıkken kullanılamaz. Hiperparametre optimizasyonunu etkinleştirmek için model optimizasyonunu Manuel olarak ayarlamanız gerekir.
Daha fazla bilgi için bk. Hiper parametre optimizasyonu.
Örnek
Akıllı model optimizasyonunun avantajlarını gösteren bir örnek için bk. Örnek – Otomatik makine öğrenimiyle modelleri eğitme.