Translation not up to date
Modeliniz için tutarlı sonuçlar sağlamak üzere verilerinizdeki değişiklikleri zaman içinde ölçmek üzere Watson OpenScale içindeki sürüklenme v2 değerlendirmelerini yapılandırabilirsiniz. Model çıkışınızdaki değişiklikleri, öngörülerinizin doğruluğunu ve giriş verilerinizin dağıtımını tanımlamak için drift v2 değerlendirmelerini kullanın.
Model değerlendirmelerine hazırlıkyaparken bilgi yükü verilerini günlüğe kaydederseniz , sürükleme v2 değerlendirmelerini yapılandırabilirsiniz. Drift v2 değerlendirmelerini yapılandırdığınızda, Watson OpenScale , zaman içinde model sonuçlarınızdaki değişikliklere ilişkin öngörüler elde etmek için gözden geçirebileceğiniz drift v2 ölçüleri oluşturur.
Aşağıdaki bölümlerde, Watson OpenScaleiçindeki sürüklenme v2 değerlendirmelerini yapılandırmak için tamamlamanız gereken adımlar açıklanmaktadır:
Sürüklenme arşivini hesapla
Model özelliklerinizin veri dağılımlarını belirlemek üzere eğitim verilerinizi analiz etmek için Watson OpenScale tarafından kullanılan yöntemi seçmeniz gerekir. Eğitim verilerini Watson OpenScale 'e bağlıyorsanız ve boyutunuz 500 MB' den azsa, Watson OpenScaleiçindeki sürüklenme v2 arşivini hesaplamayı seçebilirsiniz. Eğitim verilerinizi Watson OpenScale'e bağlamazsanız ya da verilerinizin boyutu 500 MB' den büyükse, bir not defteriiçinde drift v2 arşivini hesaplamayı seçmeniz gerekir.
Watson OpenScale ' in kayma v2 arşivini puanlamakta ve hesaplamakta kullandığı eğitim verileri miktarı için maksimum örnek boyutu ayarlayarak eğitim verilerinizin boyutu için bir sınır belirtebilirsiniz. Watson Machine Learning dışı devreye alımlar için, drift v2 arşivinin hesaplanması, eğitim verilerini modelinizin puanlama uç noktasına göre puanlaması için Watson OpenScale ile ilişkili bir maliyete sahiptir.
Sürüklenme eşiklerini ayarla
Değerlendirme sonuçlarınızdaki sorunları nasıl belirleyeceğinizi anlamak için Watson OpenScale ' i etkinleştirmek üzere her metrik için eşik değerlerini ayarlamanız gerekir. Ayarladığınız değerler, metrik puanları eşiklerinizi ihlal ettiğinde görüntülenen Öngörüler gösterge panosunda uyarılar oluşturur. 0-1 aralığındaki değerleri ayarlamanız gerekir. İhlalleri önlemek için metrik puanları eşik değerlerinden düşük olmalıdır.
Önemli özellikleri seç
Watson OpenScale , özellik sürüklenmesinin modeliniz üzerindeki etkisini belirlemek için özellik önemini hesaplar. Watson OpenScale ' in özellik önemini hesaplamasını sağlamak için modelinizden model sonuçlarınız üzerinde en büyük etkiye sahip olan önemli ve en önemli özellikleri seçebilirsiniz.
SHAP açıklamalarını yapılandırdığınızda, Watson OpenScale genel açıklamaları kullanarak önemli özellikleri otomatik olarak algılar.
Bir JSON dosyasını karşıya yükleyerek önemli özelliklerin bir listesini de karşıya yükleyebilirsiniz. Watson OpenScale , bir JSON dosyasını karşıya yüklemek için kullanabileceğiniz örnek parçacıklar sağlar. Daha fazla bilgi için bkz. Özellik önem düzeyi parçacıkları.
Örnek boyutunu ayarla
Watson OpenScale , değerlendirmeler sırasında değerlendirilen işlem sayısının nasıl işleneceğini anlamak için örnek boyutlarını kullanır. Watson OpenScale tarafından değerlendirilmesini istediğiniz en düşük işlem sayısını belirtmek için minimum bir örnek boyutu ayarlamanız gerekir. Watson OpenScale ' in değerlendirmesini istediğiniz işlem sayısı üst sınırını belirtmek için bir örnek boyutu üst sınırı da ayarlayabilirsiniz.