# 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](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/Admin/mc-training-report.htm)。 ML 訓練報告 ML 訓練報告 ML 訓練報告 ![實驗訓練報告](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Resources/Images/ui_ml-training-report.png) ## 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： 1. 開啟 ML 實驗。 2. 前往模型索引標籤。 3. 選取模型。 4. 在右上角，按一下下載訓練報告。 5. 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。 6. 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。 7. 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the 下載訓練報告 icon，並選取來產生訓練報告。 ### 從 ML 部署 請執行下列動作： 1. 開啟 ML 部署。 2. 前往可部署的模型標籤。 3. 在部署中的所有模型之下，按一下模型旁的 the 三點功能表 icon。 4. 選取下載訓練報告。 5. 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](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/training-report.htm#FullVsFocused)。 6. 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。 7. 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](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/Admin/mc-training-report.htm)。 ## 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](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/training-report.htm#FullVsFocused)。 * 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 * 偏誤偵測結果 ### 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](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/home-automl.htm)。 下列表格提供報告內容的定義，以及實用的說明主題。 了解訓練報告中的術語 | 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](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/preprocessing-steps.htm#ExperimentSetup) | | 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](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/categorical-encoding.htm) | | 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。 | [建立新的特徵欄](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/feature-engineering.htm)

[自動特徵設計](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/automatic-feature-engineering.htm)

[類別編碼](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/categorical-encoding.htm) | | 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](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/holdout-crossvalidation.htm) | | 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](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/optimize-models.htm) | | 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。 | [訓練資料的抽樣](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/intelligent-model-optimization.htm#Sampling) | | 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](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/holdout-crossvalidation.htm) | | 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。 | [變更特性類型](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/configuring-experiments.htm#Changing) | | 目標結果 | 模型預測的目標欄位值。 | [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#Changing) | ## 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： * 專業使用者權利 (僅適用於以使用者為基礎的訂閱)。 * 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 * 透過預設權限或自訂安全性角色，將 管理 ML 實驗 或 管理不含 GenAI 的 ML 實驗 權限設為 允許 * 管理 ML 部署權限透過預設權限或自訂安全性角色設定為允許 * 管理 ML 實驗和部署 管理員權限設定為 允許 透過自訂安全性角色 * 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： * 專業使用者權利 (僅適用於以使用者為基礎的訂閱)。 * 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 權限透過預設權限或自訂安全性角色設定為 允許 或 管理不含 GenAI 的 ML 實驗 * 管理 ML 部署 權限透過預設權限或自訂安全性角色設定為 允許 * 管理 ML 實驗和部署 管理員權限設定為 允許 透過自訂安全性角色 * 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。