Modelleri inceleme
Makine öğrenimi modelinizi değerlendirmek için model puanlarını ve metriklerini anlamlandırıyor olabilmeniz gerekir. Bazı durumlarda, alanların ve değerlerin, tahmin edilen sonuca etkisini (bir değişikliğin nedenini) anlamak tahmin yapmaktan daha önemli olabilir.
İş akışı
Modelleri incelerken en iyi sonuçlar için bu adım adım iş akışını tamamlayın.
1. Adım: Kavramları anlayın
Model metriklerinizi incelemeye başlamadan önce temelindeki kavramları temel düzeyde anlamak faydalı olabilir. Qlik AutoML'de model metrikleri genellikle şu şekilde sınıflandırılır:
-
Model puanları
-
Özellik önemi metrikleri
Buna ek olarak, modellerinizi eğitmek için birçok farklı algoritma vardır. Daha fazla bilgi için bk. Model algoritmalarını anlama.
2. Adım: Analiz yapmak için arayüzü kullanın
Sonraki adım, eğitimin sonuçlarını değerlendirmek için Qlik AutoML kullanmaktır. Deney arayüzündeki çeşitli sekmeler arasında geçiş yaparak aşağıdakileri yapabilirsiniz:
-
Eğitim sırasında nasıl önceden işlendiğini görmek için eğitim verilerini inceleyin
-
AutoML'in özellik setini değiştirerek modellerinizi nasıl optimize ettiğine dair bir özet görüntüleyin
-
Temel model metriklerinin yüksek düzey analizini gerçekleştirin
-
Modellerin ayrıntılı karşılaştırması ve analizi ile derine inin
Tüm ayrıntılar için aşağıdaki kılavuzlara başvurun:
3. Adım: Gerekirse modelleri geliştirin
Modelleri analiz ettikten sonra geliştirerek sonuçları iyileştirebilirsiniz.
Akıllı model optimizasyonu, deneyinizde varsayılan olarak etkinleştirilmiştir. Bu yetenek, model performansını etkileyebilecek özellikleri hariç tutarak modelleri sizin için otomatik olarak geliştirir. İyi hazırlanmış bir veri kümeniz olduğu varsayımıyla sonuç, dağıtıma hazır veya neredeyse hazır olmalıdır.
Alternatif olarak eğitimi akıllı optimizasyon olmadan başlatabilir veya akıllı optimizasyonla bir ya da daha fazla sürümünü çalıştırdıktan sonra kapatabilirsiniz. Bu, eğitim süreci üzerinde daha fazla kontrole ihtiyacınız olduğunda faydalıdır.
Model dağıtımı öncesinde veya sonrasında ek geliştirmeler gerekebilir. Örneğin, eğitim verilerini değiştirdikten veya yeniledikten sonra modelleri yeniden eğitmeniz gerekebilir.
Modelleri nasıl geliştireceğiniz hakkında daha fazla bilgi almak için bkz. Modelleri iyileştirme.
Geliştirme sürecini tamamladıktan sonra en iyi modeli dağıtmaya hazır olursunuz.