Translation not up to date
AutoAI nabízí nastavení experimentu, které můžete použít ke konfiguraci a úpravě vašich klasifikačních nebo regresních experimentů.
Přehled experimentů s experimentováním
Po odeslání dat experimentu a výběru typu experimentu a toho, co lze předpovídat, AutoAI zavede výchozí konfigurace a metriky pro váš experiment. Můžete přijmout tato výchozí nastavení a pokračovat v experimentu, nebo klepnutím na volbu Experimentální nastavení upravit konfigurace. Přizpůsobením konfigurací můžete přesně řídit, jak experiment sestavuje kandidátní ropovody.
Použijte následující tabulky jako vodítko pro nastavení experimentů pro klasifikaci a regresní experimenty. Podrobnosti o konfiguraci experimentu časové řady najdete v tématu Sestavení testu časové řady.
Nastavení předpovědi
Většina nastavení předpovědi se nachází na hlavní stránce Obecné . Zkontrolujte nebo aktualizujte následující nastavení.
| Nastavení | Popis |
|---|---|
| Typ předpovědi | Typ předpovědi můžete změnit nebo přepsat. Například pokud AutoAI detekuje pouze dvě datové třídy a nakonfiguruje binární test klasifikace, ale víte, že existují tři datové třídy, můžete tento typ změnit na multiclass. |
| Kladná třída | U binárních klasifikačních experimentů optimalizovaných pro Precision, Average Precision, Recallnebo F1je požadována kladná třída. Potvrďte, že kladná třída je správná, nebo že experiment může generovat nepřesné výsledky. |
| Optimalizovaná metrika | Změňte metriku pro optimalizaci a hodnocení kandidátních ropovodů modelu. |
| Optimalizovaný výběr algoritmu | Vyberte, jak AutoAI vybere algoritmy, které se mají použít pro generování kandidátských ropovodů modelu. Můžete optimalizovat pro alorithms s nejlepším skóre, nebo optimalizovat pro algoritmy s nejvyšším skóre v nejkratším čase spuštění. |
| Algoritmy k zahrnutí | Vyberte, který z dostupných algoritmů se má vyhodnotit, když se spustí experiment. Seznam algoritmů je založen na vybraném typu předpovědi. |
| Algoritmy k použití | Funkce AutoAI testuje specifikované algoritmy a používá nejlepší výkonní umělci k vytváření modelových propojení procesů. Vyberte si, kolik z nejlepších algoritmů použít. Každý algoritmus generuje 4-5 ropovodů, což znamená, že pokud vyberete 3 algoritmy k použití, výsledky vašeho testu budou zahrnovat ropovody 12 až 15. Další algoritmy zvyšují dobu běhu experimentu. |
Nastavení spravedlivosti dat
Klepněte na kartu Fairness a vyhodnoťte svůj experiment s ohledem na spravedlnost v předpovězných výsledcích. Podrobnosti o konfiguraci detekce spravedlnosti najdete v tématu Použití testování spravedlnosti na experimenty AutoAI.
nastavení zdroje dat
Ouško Obecné nastavení zdroje dat poskytuje volby pro konfiguraci způsobu, jakým proces přijímá a zpracovává data pro školení a vyhodnocení experimentu.
| Nastavení | Popis |
|---|---|
| Duplicitní řádky | Chcete-li urychlit školení, můžete se rozhodnout vynechat duplicitní řádky ve vašich vzdělávacích datech. |
| Dílčí ukázková metoda výběru propojení procesů | Pro velkou datovou sadu použijte podmnožinu dat k trénování experimentu. Tato volba urychluje výsledky, ale může ovlivnit přesnost. |
| imputace dat | Interpolovat chybějící hodnoty ve zdroji dat. Podrobnosti o správě vkládání dat naleznete v tématu Mapování dat v experimentech AutoAI. |
| Technický návrh funkcí | Když je povoleno, sloupce, které jsou detekovány jako text, se transformují do vektorů, aby lépe analyzovaly sémantickou podobnost mezi řetězci. Povolení tohoto nastavení může vést ke zvýšení doby spuštění. Podrobnosti naleznete v tématu Vytvoření experimentu pro analýzu textu. |
| Konečná odborná datová sada | Vyberte, jaká data mají být použita pro přípravu závěrečných propojení procesů. Rozhodnete-li se zahrnout pouze údaje o školení, generované zápisníky zahrnují buňku pro načtení dat holdout, která se používají k vyhodnocení jednotlivých propojení procesů. |
| Zpracování odlehlých hodnot | Vyberte, zda AutoAI vyloučí odlehlejší hodnoty z cílového sloupce, aby se zlepšila přesnost školení. Je-li tato volba povolena, AutoAI používá metodu interkvartilového rozsahu (IQR) k detekci a vyloučení odlehlých hodnot ze závěrečných dat odborné přípravy, ať už jsou to pouze údaje o školení nebo školení plus data holdout. |
| Výcvik a výcvik | Údaje o výcviku se používají k vycvičování modelu a údaje o holdutu se nezaměřují z odborné přípravy modelu a používají se k měření výkonnosti modelu. Můžete buď rozdělit jeden zdroj dat do dat pro školení a testování (holdout), nebo můžete použít druhý datový soubor speciálně pro testovací data. Pokud rozdělíte svá data o školení, uveďte procentní části, které se mají použít pro data o školení a data o holdlování. Můžete také určit počet záhyby, od výchozího nastavení tří přehybů až po maximální hodnotu 10. Křížové ověření rozděluje data odborné přípravy na záhyby nebo skupiny pro testování výkonu modelu. |
| Vyberte funkce, které chcete zahrnout | Vyberte sloupce z vašeho zdroje dat, které obsahují data, která podporují sloupec predikce. Vyloučení nadbytečných sloupců může zlepšit běhové prostředí. |
Běhová nastavení
Zkontrolujte nastavení experimentu, nebo změňte výpočetní prostředky, které jsou přiděleny pro spuštění experimentu.
Další kroky
Nakonfigurujte test textové analýzy
Nadřízené téma: Sestavení modelu AutoAI