下載 ML 訓練報告
您可以下載實驗中您訓練之模型的訓練報告。訓練報告包括關於訓練模型之流程的全面詳細資訊，也可以選擇包括 ML 實驗中的其他模型。您可以從您有權存取的 ML 實驗和 ML 部署中下載訓練報告。訓練報告為 PDF 格式。
管理員也可以從 管理 活動中心下載訓練報告。如需詳細資訊，請參閱以管理員身分下載 ML 訓練報告。
ML 訓練報告
使用案例
透過模型訓練報告，您可以：
-
深入探討訓練您模型的程序，例如用於稽核目的。
-
輕鬆與 Qlik Cloud 外部的使用者分享模型訓練的詳細資訊。
產生訓練報告
從實驗
請執行下列動作：
-
開啟 ML 實驗。
-
前往模型索引標籤。
-
選取模型。
-
在右上角，按一下下載訓練報告。
-
在對話方塊中，選擇性地勾選包括關於實驗中所有模型的資訊。
啟用時，此設定會產生一份擴充報告，其中包含關於實驗中所有已訓練模型的資訊。
-
如有需要，按一下預覽以檢視報告而不下載。視您的瀏覽器而定，您可能需要嘗試多次。
-
按一下下載。報告會產生並儲存至您的本機「下載」資料夾。
您也可以透過在模型上按一下
，並選取下載訓練報告來產生訓練報告。
從 ML 部署
請執行下列動作：
-
開啟 ML 部署。
-
前往可部署的模型標籤。
-
在部署中的所有模型之下，按一下模型旁的
。 -
選取下載訓練報告。
-
在對話框中，選擇性地開啟包括關於實驗中所有模型的資訊。
啟用時，此設定會產生一份擴充報告，其中包含實驗中所有已訓練模型的相關資訊。請參閱 完整版本和焦點版本。
-
如有需要，按一下預覽以檢視報告，而無需下載。視您的瀏覽器而定，您可能需要嘗試多次。
-
按一下下載。報告會產生並儲存到您的本機「下載」資料夾。
作為管理員
管理員也可以從 管理 活動中心下載訓練報告。如需詳細資訊，請參閱 以管理員身分下載 ML 訓練報告。
訓練報告包含哪些內容
訓練報告詳細概述了以下資訊。只有下載完整版的訓練報告，才會顯示某些詳細資訊。如需詳細資訊，請參閱完整版本和焦點版本。
-
誰建立了實驗
-
何時訓練了實驗和模型
-
訓練中所使用之資源的位置和名稱
-
實驗有幾個版本和模型
-
用來訓練模型的演算法
-
有關所用訓練資料集的詳細資訊，例如其中包含多少資料
-
訓練前和訓練期間對訓練資料進行的處理
-
訓練和鑑效組資料的模型指標
-
超參數資料
完整版本和焦點版本
下載訓練報告時，使用者可以選擇開啟名為包含實驗中所有模型的相關資訊的設定。此設定控制要產生報告的完整版本或焦點版本。
開啟包含實驗中所有模型的相關資訊設定後，將產生完整版本的報告。此報告包含有關實驗中訓練的其他模型的附加資訊。
另一方面，焦點報告僅包含所選模型的相關資訊。不包括實驗中其他模型的相關資訊。
解譯訓練報告中的字詞
分析訓練報告時，假設您已了解所參考的技術術語。大多數術語都在說明文件中Qlik Predict解釋。
下列表格提供報告內容的定義，以及實用的說明主題。
| 術語 | 意義 | 相關內容 |
|---|---|---|
| 批次 |
指的是實驗中訓練了多少批模型。使用智慧型模型最佳化時，模型會以迭代批次進行訓練，以改善訓練效能和結果。 相較之下，不使用智慧型模型最佳化 (即手動最佳化) 的實驗版本會以單一批次訓練模型。 |
- |
| EDA | 指的是探索性資料分析。這是指在模型訓練開始之前，對訓練資料執行的一組自動處理。 | 實驗設定 |
| 編碼、影響編碼、獨熱編碼 | 指應用於功能資料的處理，使其在模型訓練中更可用。 | 類別編碼 |
| 特徵設計 | 指產生新功能的許多程序。這些可以是作為全新實體公開的新功能，也可以是透過編碼和自由文字處理建立的功能。 | |
| 五重交叉驗證 | 指在每次訓練迭代後對模型執行的交叉驗證。 | 鑑效組資料和交叉驗證 |
| 最佳化 | 指模型訓練是否使用智慧型或手動最佳化。 | 使用模型最佳化 |
| 取樣率 | 指用於訓練模型的訓練資料集使用了多少。 使用智慧型模型最佳化時，模型有時可以在不到 100% 的原始資料集上進行訓練，特別是對於非常大的資料集。 相較之下，不使用智慧型模型最佳化 (即手動最佳化) 的實驗版本，總是使用 100% 的訓練資料集。 |
訓練資料取樣 |
| 分割 | 指的是將訓練資料集自動分割成訓練資料和保留資料。保留資料不用於模型訓練，而是用於測試模型效能。 | 鑑效組資料和交叉驗證 |
| U=使用者覆寫 | 指的是使用者手動將功能類型從自動識別的功能類型變更的動作。 | 變更特徵類型 |
權限
從 ML 實驗下載的權限
若要從 ML 實驗匯出訓練報告，您需要該實驗的檢視權限。換言之，您必須滿足以下要求：
-
Qlik Cloud租用戶中的 專業或 Full User 權限。
-
下列內容之一：
-
Automl Experiment Contributor 內建安全性角色
-
Automl Deployment Contributor 內建安全性角色
-
透過 User Default 或自訂安全性角色，將 管理 ML 實驗 權限設定為 允許
-
透過 User Default 或自訂安全性角色，將 管理 ML 部署 權限設定為 允許
-
透過自訂安全性角色，將 管理 ML 實驗和部署 管理員權限設定為 允許
-
-
對於共用空間中的實驗，需要空間中的以下空間角色之一：
-
(空間的) 擁有者
-
可以管理
-
可以編輯
-
可以檢視
-
從 ML 部署下載的權限
若要從 ML 部署匯出訓練報告，您需要部署和從中部署之實驗的檢視權限。
換言之，您必須滿足以下要求：
-
Qlik Cloud租用戶中的 專業或 Full User 權限。
-
下列內容之一：
-
Automl Experiment Contributor 內建安全性角色
-
Automl Deployment Contributor 內建安全性角色
-
管理 ML 實驗權限透過 User Default 或自訂安全性角色設定為允許
-
管理 ML 部署權限透過 User Default 或自訂安全性角色設定為允許
-
管理 ML 實驗和部署管理員權限透過自訂安全性角色設定為允許
-
-
對於共用空間中的實驗，需要空間中的以下空間角色之一：
-
(空間的) 擁有者
-
可以管理
-
可以編輯
-
可以檢視
-
-
對於共用空間中的部署，需要空間中的以下空間角色之一：
-
(空間的) 擁有者
-
可以管理
-
可以編輯
-
可以檢視
-
-
對於受管理空間中的部署，需要空間中的以下空間角色之一：
-
(空間的) 擁有者
-
可以管理
-
可以參與
-
可以檢視
-
限制
-
訓練報告僅適用於 2025 年 7 月下旬及之後所建立的 ML 實驗。