Kokią informaciją AutoML lentelėse pateikia skirtukas Analizė?
„AutoML Tables“ skirtuke Analizė pateikiama įvairios svarbios informacijos ir įžvalgų apie išmokytą mašininio mokymosi modelį. Jis siūlo išsamų įrankių ir vizualizacijų rinkinį, leidžiantį vartotojams suprasti modelio veikimą, įvertinti jo efektyvumą ir gauti vertingų įžvalgų apie pagrindinius duomenis.
Viena iš pagrindinių informacijos, kurią galima rasti skirtuke Analizė, yra modelio vertinimo metrika. Šios metrikos suteikia kiekybinį modelio našumo įvertinimą, leidžiantį vartotojams įvertinti jo tikslumą ir nuspėjamąsias galimybes. „AutoML Tables“ pateikia keletą dažniausiai naudojamų vertinimo metrikų, tokių kaip tikslumas, tikslumas, atšaukimas, F1 balas ir plotas po imtuvo veikimo charakteristikos kreive (AUC-ROC). Ši metrika padeda vartotojams suprasti modelio našumą ir gali būti naudojama skirtingiems modeliams ar iteracijoms palyginti.
Be vertinimo metrikos, skirtuke Analizė taip pat yra įvairių vizualizacijų, padedančių interpretuoti ir analizuoti modelį. Viena iš tokių vizualizacijų yra painiavos matrica, kuri pateikia išsamų modelio prognozių suskirstymą skirtingose klasėse. Ši matrica padeda vartotojams suprasti modelio veikimą, atsižvelgiant į tikrus teigiamus, tikrus neigiamus, klaidingus teigiamus ir klaidingus neigiamus aspektus. Išnagrinėję painiavos matricą, vartotojai gali nustatyti galimas tobulinimo sritis arba sutelkti dėmesį į konkrečias klases, kurioms gali prireikti daugiau dėmesio.
Kita naudinga vizualizacija skirtuke Analizė yra funkcijų svarbos diagrama. Šis brėžinys parodo santykinę skirtingų savybių svarbą modelio prognozėse. Suprasdami, kurios funkcijos turi didžiausią įtaką modelio sprendimams, vartotojai gali gauti įžvalgų apie pagrindinius duomenų modelius ir ryšius. Ši informacija gali būti naudinga funkcijų projektavimui, svarbių kintamųjų nustatymui ir modelio prognozes lemiančių veiksnių supratimui.
Be to, skirtuke Analizė pateikiama išsami informacija apie įvesties duomenis, naudojamus modeliui mokyti. Tai apima statistiką, pvz., eilučių, stulpelių skaičių ir trūkstamas reikšmes duomenų rinkinyje. Įvesties duomenų ypatybių supratimas gali padėti vartotojams nustatyti galimas duomenų kokybės problemas, įvertinti mokymo rinkinio reprezentatyvumą ir priimti pagrįstus sprendimus dėl išankstinio duomenų apdorojimo ir funkcijų inžinerijos.
„AutoML Tables“ skirtuke „Analizuoti“ pateikiamas išsamus įrankių ir informacijos rinkinys, skirtas analizuoti ir interpretuoti išmokytą mašininio mokymosi modelį. Jame pateikiamos vertinimo metrikos, vizualizacijos ir įžvalgos apie modelio veikimą ir duomenų charakteristikas. Naudodami šią informaciją vartotojai gali priimti pagrįstus sprendimus dėl modelio diegimo, tolesnių modelių iteracijų ir duomenų rengimo proceso patobulinimų.
Kiti naujausi klausimai ir atsakymai apie „AutoML“ lentelės:
- Kaip galima pereiti tarp Vertex AI ir AutoML lentelių?
- Kodėl AutoML lentelės buvo nutrauktos ir kas jas pakeičia?
- Kaip vartotojai gali įdiegti savo modelį ir gauti prognozes AutoML lentelėse?
- Kokios yra mokymo biudžeto nustatymo AutoML lentelėse parinktys?
- Kaip vartotojai gali importuoti savo mokymo duomenis į AutoML lenteles?
- Kokius skirtingus duomenų tipus gali apdoroti „AutoML Tables“?