审查和优化模型

在模型训练的第一个版本完成后，分析得到的模型指标和推荐的模型。如果需要进一步修改以优化模型，您可以使用手动模型优化运行其他版本。

运行实验版本时，您将进入模型选项卡，在那里您可以开始分析生成的模型指标。您可以通过返回数据选项卡来访问模式视图和数据视图。可以在比较和分析选项卡中执行更精细的分析。

当所有指标都填充到模型指标表中，并且表现最佳的模型旁边会出现奖杯 图标时，您就会知道第一个版本的训练已经完成。

分析模型指标表

切换回模型选项卡。在模型指标部分，根据常见的质量要求突出显示了推荐模型。已自动选择最佳模型 进行分析。

实验中训练的模型提供了三条建议。一个模型可以在多个推荐中表示。建议如下：

• 最佳模型：在准确度指标和预测速度之间取得最佳平衡的模型。

• 最准确：该模型在平衡和原始准确度指标上得分最高。

• 最快的模型：该模型除了具有较强的准确度相关指标外，还具有最快的预测速度。

重要的是要选择最适合您的使用情况的模型。在大多数情况下，最佳模型是最有利的选择。但是，您的预测用例可能需要特定的预测速度或准确度指标规范。

有关如何确定最优模型类型的深入概览，请参阅选择您的最佳模型。

您可以使用建议上方的下拉筛选器来缩小关注范围。每次更改筛选条件时，顶部的模型类型都会自动重新计算。

使用表格上方的显示指标选择器在核心指标之间切换。您可以根据名称和所分析的选定指标对模型进行排序。

表中标记了过度拟合的模型的警告 。这些模型不适合部署。过度拟合的原因可能包括训练算法引入的模型复杂性，以及训练数据集的问题。有关更多信息，请参阅过度拟合。

分析模型训练摘要

我们现在可以专注于界面右侧的模型训练摘要。此摘要可让您探索如何优化模型和输入训练数据以获得最佳性能。模型训练摘要概述了智能模型优化提供的增强功能。

从下图的摘要中，我们可以看到：

• 训练数据中的特性在训练过程中被删除，没有被纳入模型。

• 该模型的采样率为 100%。

目标泄漏导致特性被删除

由于目标泄漏，特性 DaysSinceLastService 在训练期间被删除。

在该特性列中，在数据收集过程中，没有定义逻辑来停止计算自客户上次取消订阅后的天数。因此，该模型可能已学会了将自上次服务工单（对于多年前取消的客户存在）以来的大量天数与 Churned 字段中的 yes 值相关联。

需要从训练中删除此特性，因为它会导致模型在新数据上的性能非常差。

根本问题被称为目标泄露，这是一种数据泄露形式。有关数据泄露的更多信息，请参阅数据泄露。

由于高相互关系特性被删除

我们可以看到，PriorPeriodUsage-Rounded 和 AdditionalFeatureSpend 在训练中被删除。

在这种情况下，至少有一个特性列 PriorPeriodUsage-Rounded，它直接来自数据集中的另一列。通过 AdditionalFeatureSpend 发现了其他相互关系问题。

去除导致相互关系问题的特性对于训练高质量的模型非常重要。

有关相互关系的更多信息，请参阅关联。

由于重要性低特性被删除

由于排列重要性较低，一些特征也被删除。经过初步分析，这些特性被确定为对目标结果的影响非常小。这些特性可以被视为统计噪声，并已被删除以提高模型质量。

有关排列重要性的更多信息，请参阅了解排列重要性。

分析模型选项卡中的其他可视化

在模型选项卡中还提供了其他可视化功能，用于进行更多高层次分析。在模型指标表中选择不同的模型，以探索特性级性能和其他图表，从而深入了解模型质量。

后续步骤

在运行了一个具有智能模型优化的实验版本后，您可以根据需要运行手动版本来优化您的模型。要快速创建新的手动版本，您可以切换回模型选项卡，然后在模型培训摘要中单击新建手动版本。

在真实场景中，在部署模型之前，根据需要重复任何优化步骤多次非常重要，以确保您拥有适合特定用例的最佳模型。

有关优化模型的更多信息，请参阅优化模型。

在本教程中，转到关于部署模型的下一节。