Translation not up to date
Funkcja AutoAI automatycznie przygotowuje dane, stosuje algorytmy i podejmuje próby budowania modeli rurociągów, które są najlepiej dopasowane do danych i przypadków użycia. Dowiedz się, jak oceniać rurociągi modelowe, dzięki czemu można zapisać go jako model.
Przeglądanie wyników eksperymentu
Podczas szkolenia AutoAI zestaw danych jest dzielony na część szkoleniową i część wypustową. Część szkoleniowa jest wykorzystywana przez etapy szkolenia AutoAI do generowania modeli rurociągów AutoAI oraz wyników walidacji krzyżowej, które są używane do ich oceny. Po szkoleniu AutoAI część wypustowa jest używana do tworzenia wynikowego modelu rurociągu i obliczania informacji o wydajności, takich jak krzywe ROC i matryce pomieszania, które są wyświetlane na tablicy. Współczynnik podziału training/hold-out wynosi 90/10.
W miarę postępów treningowych, jesteś przedstawiony z dynamiczną infografiką i liderów. Umieść wskaźnik myszy nad węzłami w infografice, aby poznać czynniki, które współużytkują rurociągi i ich unikalne właściwości. Aby uzyskać przewodnik po danych w infografice, należy kliknąć kartę Legenda na panelu informacyjnym. Aby wyświetlić inny widok tworzenia potoku, należy kliknąć kartę Szczegóły eksperymentu w panelu powiadomień, a następnie kliknąć opcję Przełącz widoki , aby wyświetlić mapę postępu. W obu tych widoku kliknij węzeł potoku, aby wyświetlić powiązany potok w tablicy liderów. Tablica liderów zawiera modelowe potokiny, które są uporządkowane według wyników walidacji krzyżowej.
Wyświetl transformacje potoku
Umieść wskaźnik myszy nad węzłem w infografice, aby wyświetlić transformacje dla potoku. Sekwencja transformacji danych składa się z transformatora wstępnego przetwarzania i sekwencji transformatorów danych, jeśli dla rurociągu wykonano inżynierię elementów. Algorytm jest określany przez kroki wyboru modelu i kroki optymalizacji podczas szkolenia AutoAI .
Sekcja Szczegóły implementacji zawiera szczegółowe informacje techniczne dotyczące tworzenia rurociągów.
Wyświetl liderów
Każdy potok modelu jest oceniany dla różnych wielkości mierzonych, a następnie uporządkowane. Domyślną metryką rankingu dla binarnych modeli klasyfikacji jest obszar pod krzywą ROC. W przypadku modeli z wieloma klasami domyślnym charakterem jest dokładność pomiaru. W przypadku modeli regresji domyślnym metryką jest główny błąd średniej kwadratowej (RMSE). Wysoko oceniane rurociągi są wyświetlane w tablicy, więc można wyświetlić więcej informacji na ich temat. Leaderboard udostępnia również opcję zapisania wybranych modeli rurociągów po ich przeglądzie.
Istnieje możliwość oceny rurociągów w następujący sposób:
- Aby wyświetlić więcej szczegółów dotyczących wielkości mierzonych i wydajności, należy kliknąć potok w tablicy liderów.
- Kliknij przycisk Porównaj , aby wyświetlić sposób porównywania z najlepszempipelami.
- Sortuj liderów przez inną metrykę.
Wyświetlanie matrycy pomieszania
Jedną z szczegółów, które można wyświetlić dla potoku dla eksperymentu klasyfikacji binarnej, jest macierz konfuzyjna.
Macierz pomyłek jest oparta na danych holdout, które stanowią część zestawu danych uczących, który nie jest używany do uczenia potoku modelu, ale służy tylko do pomiaru jego wydajności w danych, które nie były widoczne podczas szkolenia.
W przypadku problemu klasyfikacji binarnej z klasą dodatnią i klasą ujemną macierz pomyłek podsumowuje pozytywne i negatywne predykcje modelu rurociągu w czterech kwadrantach w zależności od ich poprawności w odniesieniu do pozytywnych lub ujemnych etykiet klas zestawu danych wyholdout.
Na przykład przykładowy eksperyment Banku ma na celu zidentyfikowanie klientów, którzy przyjmują promocje, które są dla nich oferowane. Macierz pomieszania dla potoku o najwyższej pozycji to:
Klasa dodatnia ma wartość 'yes' (oznacza, że użytkownik korzysta z promocji). Widać, że pomiar prawdziwych negatywów, czyli klientów, których model przewidywał poprawnie odmówiliby swoich promocji, jest wysoki.
Kliknij elementy w menu nawigacyjnym, aby wyświetlić inne szczegóły dotyczące wybranego potoku. Na przykład opcja Znaczenie elementu pokazuje, które opcje danych mają wpływ na dane wyjściowe predykcji.
Zapisz potok jako model
Jeśli użytkownik jest zadowolony z potoku, zapisz go przy użyciu jednej z następujących metod:
- Kliknij opcję Zapisz model , aby zapisać potencjalny potok jako model dla projektu, aby można było przetestować go i wdrożyć.
- Kliknij opcję Zapisz jako notatnik , aby utworzyć i zapisać automatycznie wygenerowany notatnik w projekcie. Można przejrzeć kod lub uruchomić eksperyment w notatniku.
Następne kroki
Wypromuj wyszkolony model do miejsca wdrożenia, aby można było przetestować go przy użyciu nowych danych i wygenerować predykcje.
Więcej inform.
Temat nadrzędny: PrzeglądAutoAI