# 选择您的最佳模型

在分析实验结果时，重要的是要寻找具有特定特征的模型，这些特征对您的用例很重要。例如，除了始终如一的准确预测外，您可能还需要能够快速提供预测的模型。在实验的模型选项卡中，根据多个分析角度向您推荐模型。

分析实验的最优模型

分析实验的最优模型

分析实验的最优模型 ![ML 实验中的“模型指标”表，其中最佳模型作为建议呈现](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Resources/Images/ui_top-models.png)

根据您的筛选器，推荐的模型可以帮助您考虑几个不同的质量观点。单个模型可能在多个方面被视为最优模型。最优模型类型包括：

* the 奖杯 icon [最佳模型](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/best-models.htm#Best)

* the 目标 icon [最准确](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/best-models.htm#MostAccurate)

* the 闪电 icon [最快的模型](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/best-models.htm#Fastest)

## 在用户界面中查看最优型号

有关查找和探索实验最优模型的信息，请参阅[分析模型指标表](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/analyze-models-quick.htm#Analyzing)。

## 最佳模型

根据您的筛选器，会自动选择最佳模型进行分析。最佳模型用 the 奖杯 icon 图标突出显示。

在 Qlik Predict 中，最佳模型是通过平衡计算确定的，该计算考虑了准确度指标和预测速度。

为了确定最佳模型，会自动执行以下过程：

1. 选择通过模型类型确定的预测性能指标得分最高的模型。使用的指标为：

   * 二元分类：F1

   * 多类分类：F1 宏。

   * 回归：R2

   * 时间序列：MASE（若 MASE 不可用，则为 MAE）

2. 使用步骤 1 中的性能得分，选择与得分最高模型的得分差距在 5% 以内的全部模型。

3. 在所有选定的模型中，选择预测速度最快的模型（参见[预测速度](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/best-models.htm#PredictionSpeed)）。这个模型是最优的模型。

## 最准确

重要的是，您的模型能够持续生成准确度较高的预测结果。尽管 F1、F1 宏和 R2 提供了全面反映模型准确度的平衡评分，但您可能也对模型的原始准确度和精确度指标感兴趣。

最准确的模型用 the 目标 icon 图标突出显示。为了确定最准确的模型，会自动执行以下过程：

1. 选择通过模型类型确定的预测性能指标得分最高的模型。使用的指标为：

   * 二元分类： [F1](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-binary-classification.htm#F1)

   * 多类分类： [F1 宏](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-multiclass-classification.htm#F1Macro)

   * 回归：[R2](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-regression.htm#R2)

   * 时间序列：[MASE](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-time-series.htm#MASE)（若 MASE 不可用，则选择 [MAE](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-time-series.htm#MAE) 最低的模型）

2. 使用步骤 1 中的性能得分，选择与得分最高模型的得分差距在 10% 以内的所有模型。

3. 根据模型类型，使用以下两种途径之一：

   1. 二元分类：

      * 如果训练数据集是平衡的，请选择准确度得分最高的模型。这是最准确的模型。有关使用的特定指标的信息，请参阅[准确性](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-binary-classification.htm#Accuracy)。

      * 如果训练数据集不平衡，请选择精确度得分最高的模型。有关使用的特定指标的信息，请参阅[精度](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-binary-classification.htm#Precision)。

   2. 多类分类或回归：

      * 选择准确度得分最高的模型。使用了以下准确度指标：

        * 多类分类： [准确性](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-multiclass-classification.htm#Accuracy)

        * 回归： [MAE](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-regression.htm#MAE)

   3. 时间序列：选择 [MAE](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-time-series.htm#MAE) 分数最优（最低）的模型。

## 最快的模型

在选择模型时，您可能比较重视模型提供预测的速度。最快模型用 the 闪电 icon 图标突出显示。

预测速度决定了哪个模型最快。然而，模型的预测准确度仍需考虑。这是因为模型也许能够快速生成预测，但它也必须能够以合理的精度进行预测。

为了确定速度最快的模型，会自动执行以下过程：

1. 选择通过模型类型确定的预测性能指标得分最高的模型。使用的指标为：

   * 二元分类： [F1](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-binary-classification.htm#F1)

   * 多类分类： [F1 宏](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-multiclass-classification.htm#F1Macro)

   * 回归：[R2](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-regression.htm#R2)

   * 时间序列：[MASE](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-time-series.htm#MASE)（若 MASE 不可用，则选择 [MAE](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-time-series.htm#MAE) 最低的模型）

2. 根据模型类型，使用以下途径之一：

   1. 二元分类：

      * 如果训练数据集是平衡的，则选择所有准确度得分在步骤 1 中所选模型准确度得分 10% 以内的模型。 有关使用的特定度量的信息，请参阅[准确性](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-binary-classification.htm#Accuracy)。

      * 如果训练数据集不平衡，请选择在步骤 1 中得分最高的模型得分 10% 以内的所有模型。 使用步骤 1 中的指标。

   2. 多类分类或回归：

      * 选择精度得分在步骤 1 中模型准确度得分 10% 以内的所有模型。 使用以下准确度指标：

        * 多类分类： [准确性](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-multiclass-classification.htm#Accuracy)

        * 回归： [MAE](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-regression.htm#MAE)

   3. 时间序列：选择全部与步骤 1 中的模型的 [MAE](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-time-series.htm#MAE) 分数相差在百分之十以内的模型。

3. 在所有选定的模型中，选择预测速度最快的模型（参见[预测速度](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/best-models.htm#PredictionSpeed)）。这个模型是速度最快的模型。

## 预测速度

预测速度是一种适用于所有模型类型的模型度量：二元分类、多类分类、回归和时间序列。预测速度衡量机器学习模型生成预测的速度。

在 Qlik Predict 中，使用组合特征计算时间和测试数据集预测时间来计算预测速度。它以每秒行数为单位显示。

运行实验版本后，可在模型指标表中分析预测速度。在使用嵌入式分析来分析模型时，您还可以查看预测速度数据。有关更多信息，请参阅：

* [分析模型指标表](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/analyze-models-quick.htm#Analyzing)

* [比较模型](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/analyze-models-compare.htm)

### 注意事项

测量的预测速度基于训练数据集的大小，而不是基于进行预测所用的数据。部署模型后，如果训练数据和预测数据的大小相差很大，或者在一个或少数几个数据行上创建实时预测时，您可能会注意到创建预测速度之间的差异。

## 过度拟合

当模型的预测行为与训练数据集的映射过于紧密时，就会发生过度拟合。当一个模型被过度拟合时，它可能只记住了训练数据集中的模式，无法准确预测未来的值。

过度拟合可能有几个原因，包括与训练算法相关的问题以及训练数据集太短或过于复杂。

在 Qlik Predict 中，通过分析顶级模型选择过程中使用的所有指标（预测速度除外）的[测试训练结果](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/holdout-crossvalidation.htm)，自动识别过度拟合：

* 二元分类模型：[F1](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-binary-classification.htm#F1)、[准确性](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-binary-classification.htm#Accuracy)（平衡数据）、[精度](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-binary-classification.htm#Precision)（不平衡数据）

* 多类别分类模型：[F1 宏](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-multiclass-classification.htm#F1Macro), [准确性](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-multiclass-classification.htm#Accuracy)

* 回归模型：[R2](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-regression.htm#R2), [MAE](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-regression.htm#MAE)

如果在比较测试和训练结果时，这些指标之间的差异超过 10%，则模型疑似被过度拟合。

如果一个模型被怀疑过度拟合，即使它得分很高，也永远不会被作为推荐模型。该模型在模型指标表中标记有警告 the 警告 icon。

如果怀疑筛选器中显示的所有模型都过度拟合，则不提供模型建议。

### 解决过度拟合问题

您可以通过以下方法解决过度拟合问题：

* 不部署有过度拟合嫌疑的模型。

* 如果您怀疑训练数据集存在问题，请参阅[准备用于训练的数据集](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/dataset-preparation.htm)以了解如何准备训练数据以避免过度拟合。