# 微調模型

建立一些初始模型後，微調模型以提高其有效性和潛在準確度非常重要。模型評分表示此效能的不同度量。雖然微調模型的目標是提高這些評分，但較高的評分並不總是代表較好的模型。

您可以透過排除或包含特性、變更訓練資料以及修改其他組態參數來微調模型。如此一來，您可以比較不同版本，以查看變更產生的影響。

透過解讀評分，您將瞭解如何微調模型。不同指標的值可以讓您深入瞭解要採取哪些動作來改善結果。

## 需求和權限

若要深入瞭解使用 ML 實驗的使用者需求，請參閱 [使用實驗](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/working-with-experiments.htm)。

## 設定新版本

執行實驗版本後，如果需要，您可以透過建立新版本來微調模型。

請執行下列動作：

1. 從 訓練資料、模型 或 分析 標籤中，選取要作為下一個版本基礎的模型。

2. 按一下 檢視組態。

   實驗組態面板隨即開啟。

3. 按一下 建立新版本。

建立新版本後，您可以變更其組態，例如：

* 排除現有特性

* 包含先前已排除的特性

* 變更或重新整理資料集

* 選取或取消選取演算法

以下區段提供有關這些選項的更多資訊。

草擬新版本時，按一下實驗組態面板中 特性 下方的篩選 the 篩選 icon 圖示。進行篩選時，您可以更輕鬆地視覺化自變更訓練資料集以來引入了哪些特性。您也可以查看哪些特性是自動工程設計和非工程設計的。

## 改善資料集

如果您的模型評分不佳，您可能需要檢閱資料集以解決任何問題。請參閱 [準備用於訓練的資料集](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/dataset-preparation.htm)，深入瞭解如何改善資料集。

### 排除特性

更多特性不一定能產生更好的模型。若要微調模型，您需要排除不可靠且不相關的特性，例如：

* 關聯過高的特性。從兩個具關聯性的特性中，排除特性重要性較低的特性。

* 特性重要性過低的特性。這些特性對您嘗試瞭解的內容沒有任何影響。

* 特性重要性過高的特性。這可能是由於資料洩漏所致。

測試從訓練資料中移除該特性，然後再次執行訓練並檢查這是否能改善模型。這對模型評分會產生很大影響還是沒有影響？

請執行下列動作：

1. 從 Catalog 開啟實驗。

2. 從 訓練資料、模型 或 分析 標籤中，選取要作為下一個版本基礎的模型。

3. 按一下 檢視組態。

   實驗組態面板隨即開啟。

4. 按一下 建立新版本 以設定新的實驗版本。

5. 在 特性 下方，清除您不想在訓練中使用的任何特性的核取方塊。

提示備註或者，您可以從結構描述或資料檢視中取消選取特性。切換至實驗中的 資料 標籤，然後按一下 the 結構描述檢視 icon 或 the 資料檢視 icon 。

### 新增特性

如果您的模型評分仍然不佳，可能是因為與目標有關係的特性尚未在資料集中擷取。您可以重新處理和重新調整資料集用途，以最佳化資料品質，並新增特性和資訊。準備就緒後，可以將新資料集新增至未來的實驗版本。請參閱 [變更和重新整理資料集](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/refining-models.htm#Changing)。

請參閱 [建立新的特徵欄](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/feature-engineering.htm)，深入瞭解如何擷取或工程設計新特性。

## 變更偏差偵測設定

您可以變更設定要執行偏差偵測的特性。例如，如果您已向資料集新增特性，則可以開啟這些特性的偏差偵測。

請執行下列動作：

1. 從目錄開啟實驗。

2. 從 訓練資料、模型 或 分析 標籤中，選取要作為下一個版本基礎的模型。

3. 按一下 檢視組態。

   實驗組態面板隨即開啟。

4. 按一下 建立新版本 以設定新的實驗版本。

5. 展開訓練組態面板中的 偏差。

6. （選用）按一下 取得建議，以使用生成式 AI 建議可能包含偏差資料的特性。請參閱 [使用生成式 AI 建議用於偏差偵測的功能](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/bias-detection.htm#UsingAI)。

7. 選取或取消選取您要對其執行偏差偵測的任何特性。

或者，在 the 結構描述檢視 icon 中進行偏差偵測設定。

如需有關偏差偵測的詳細資訊，請參閱 [偵測機器學習模型中的偏差](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/bias-detection.htm)。

## 選取演算法

根據目標資料行的資料類型，系統會自動選取適合的演算法進行訓練。您可能需要排除效能不佳或速度較慢的演算法。如此一來，您就不必在訓練上浪費時間。

如需有關如何選擇演算法的詳細資訊，請參閱 [理解模型演算法](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/algorithms.htm)。

請執行下列動作：

1. 從 Catalog 開啟實驗。

2. 從 資料、模型 或 分析 標籤中，選取要作為下一個版本基礎的模型。

3. 按一下 檢視組態。

   實驗組態面板隨即開啟。

4. 按一下 建立新版本 以設定新的實驗版本。

5. 在 演算法 下方，清除您不想在訓練中使用的任何演算法的核取方塊。

## 變更和重新整理資料集

如果您的訓練資料自上一個實驗版本以來已變更，您可以變更或重新整理資料集，以用於實驗的未來版本。

如果您想比較同一實驗中不同資料集的模型指標和效能，這可能會有所幫助。例如，在以下情況下這很有用：

* 有新的資料記錄集可用，或者對原始資料記錄集進行了更新。例如，最新月份的交易可能已可用且適合用於訓練，或者可能已識別並解決了資料收集問題。

* 原始訓練資料集已重新處理或重新調整用途，這可能是為了改善模型訓練。例如，您可能改進了定義特性資料行值的邏輯，甚至新增了特性資料行。

變更或重新整理資料集不會改變已從先前實驗版本訓練的現有模型。在實驗版本中，模型僅在該特定版本中定義的訓練資料上進行訓練。

### 需求

當您為新實驗版本變更或重新整理資料集時，新資料集必須符合以下需求：

* 目標資料行的名稱和特性類型必須與原始訓練資料集中的目標相同。

* 目標資料行中相異值的數量必須在給定實驗類型所需的相同範圍內。例如，對於多類別分類實驗，新資料集中的目標資料行仍必須具有 3 到 10 個唯一值。如需特定範圍，請參閱 [設定實驗](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/configuring-experiments.htm#Determin)。

其他特性資料行可以完全是新的、具有不同的名稱並包含不同的資料。

### 變更資料集

請執行下列動作：

1. 從 訓練資料、模型 或 分析 標籤中，選取要作為下一個版本基礎的模型。

2. 按一下 檢視組態。

   實驗組態面板隨即開啟。

3. 按一下 建立新版本 以設定新的實驗版本。

4. 在 訓練資料 > 檢閱資料集 下方，按一下 變更資料集。

5. 選取或上傳新資料集。您可以選擇：

   * 資料集：選取您可存取的任何空間中的資料集。請參閱 [上傳和選取資料集的提示和指南](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/refining-models.htm#Tips)。

   * 資料產品：從您可存取的作用中資料產品中選取資料集。如需有關資料產品的詳細資訊，請參閱 [Creating data products](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/DataIntegration/DataProducts/Creating-data-products.htm)。

### 重新整理資料集

請執行下列動作：

1. 從 訓練資料、模型 或 分析 標籤中，選取要作為下一個版本基礎的模型。

2. 按一下 檢視組態。

   實驗組態面板隨即開啟。

3. 按一下 建立新版本 以設定新的實驗版本。

4. 在 訓練資料 下方，按一下 重新整理資料集。

   如果資料集重新整理可用，您會收到通知。當現有資料檔案被建立同名新檔案覆寫時，資料集通常會重新整理。

### 上傳和選取資料集的提示和指南

* 資料集可以透過 分析 活動中心的「建立」頁面上傳，並顯示在目錄中。您也可以將新的資料集從實驗的資料集選取頁面直接上傳到目錄中。若要這麼做，按一下上傳檔案並選擇要上傳的檔案。

* 支援任何可在 Qlik Cloud 中上傳並剖析的一般檔案，以用於 Qlik Predict。

  對於多表格檔案，例如具有多個工作表的 Microsoft Excel 檔案，只會匯入第一個表格。若表格的資料剖析失敗 (例如表格是空的)，則檔案不受支援。

## 執行微調版本

完成版本設定後，即可執行該版本。

請執行下列動作：

* 按一下畫面右下角的 執行 v2。

  （按鈕上的文字取決於您已執行的版本數量。）

## 比較實驗版本

新版本完成訓練後，將新版本與舊版本進行比較，以查看變更產生的影響。您有多個選項可用於比較跨實驗版本的模型。

### 快速分析

使用實驗中的 模型 和 訓練資料 標籤，將該版本與較舊版本進行比較。在 模型 標籤中，您可以：

* 在 模型指標 表格中檢視結果。

* 根據常見的預測分析需求（包括準確度和預測速度）檢視推薦的模型。

* 在模型之間切換，以檢視 模型訓練摘要 和其他自動產生的圖中的差異。

如需有關快速模型分析的詳細資訊，請參閱 [執行快速模型分析](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/analyze-models-quick.htm)。

### 深入分析

您可以透過切換至實驗中的 比較 和 分析 標籤，深入分析模型。這些標籤提供內嵌分析體驗，您可以在其中以更精細的層級互動式評估模型。

比較 標籤提供所有模型之間模型評分 and 超參數的比較。分析 標籤可讓您專注於特定模型，以評估預測準確度、特性重要性及其他詳細資訊。

如需詳細資訊，請參閱 [比較模型](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/analyze-models-compare.htm) 和 [執行詳細模型分析](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/analyze-models-detailed.htm)。

## 變更模型最佳化設定

在執行已啟用智慧最佳化的版本後，您可以關閉智慧最佳化。這可讓您使用智慧最佳化提供的深入解析，同時也為您提供進行微小、最低限度調整所需的控制。或者，您可以在執行一個或多個關閉該設定的版本後，開啟智慧模型最佳化。

超參數最佳化是在模型微調過程中開啟可能有所幫助的設定。通常，不建議在實驗的第一個版本中開啟此設定。

您也可以變更是否使用時間感知訓練，或變更用作日期索引的資料行。

請執行下列動作：

1. 按一下 檢視組態。

2. 如果需要，按一下 建立新版本 以設定新的實驗版本。

3. 在面板中，展開 模型最佳化。

4. 在 智慧 和 手動 設定之間切換，以開啟或關閉智慧模型最佳化。

5. 如果您想啟用超參數最佳化，請按一下 超參數最佳化 核取方塊並設定最大訓練時間。

6. 在 基於時間的測試-訓練分割 下方，您可以變更時間感知訓練的設定：

   1. 若要開啟時間感知訓練，請透過在資料集中選取特定的 日期索引 資料行，來變更預設值 無。

   2. 若要關閉時間感知訓練，請將 日期索引 設定為值 無。

   3. 將選取的 日期索引 資料行變更為不同的資料行。

## 刪除實驗版本

您可以刪除不想保留的實驗版本。請注意，實驗版本中的所有模型也將被刪除且無法復原。

請執行下列動作：

1. 切換至 模型 標籤。

2. 在 模型指標 表格中，從您要刪除的實驗版本中選取模型。

   提示備註當您位於 訓練資料 或 分析 標籤時，您也可以使用工具列中的下拉式功能表選取模型。

3. 在右下角，按一下 刪除 <版本號碼>。

4. 在確認對話方塊中，按一下 刪除。