AutoML-taulukoiden Analysoi-välilehti tarjoaa useita tärkeitä tietoja ja oivalluksia koulutetusta koneoppimismallista. Se tarjoaa kattavan joukon työkaluja ja visualisointeja, joiden avulla käyttäjät voivat ymmärtää mallin suorituskykyä, arvioida sen tehokkuutta ja saada arvokkaita näkemyksiä taustalla olevista tiedoista.
Yksi tärkeimmistä Analysoi-välilehden tiedoista on mallin arviointimittarit. Nämä mittarit tarjoavat kvantitatiivisen arvion mallin suorituskyvystä, minkä ansiosta käyttäjät voivat mitata sen tarkkuutta ja ennakoivia ominaisuuksia. AutoML Tables tarjoaa useita yleisesti käytettyjä arviointimittareita, kuten tarkkuus, tarkkuus, palautus, F1-pisteet ja vastaanottimen toimintakäyrän alla oleva pinta-ala (AUC-ROC). Nämä tiedot auttavat käyttäjiä ymmärtämään, kuinka hyvin malli toimii, ja niitä voidaan käyttää eri mallien tai iteraatioiden vertailuun.
Arviointimittareiden lisäksi Analysoi-välilehti tarjoaa myös erilaisia visualisointeja, jotka auttavat mallin tulkinnassa ja analysoinnissa. Yksi tällainen visualisointi on hämmennysmatriisi, joka tarjoaa yksityiskohtaisen erittelyn mallin ennusteista eri luokkien välillä. Tämä matriisi auttaa käyttäjiä ymmärtämään mallin suorituskykyä todellisten positiivisten, todellisten negatiivisten, väärien positiivisten ja väärien negatiivisten osalta. Tutkimalla hämmennysmatriisia käyttäjät voivat tunnistaa mahdollisia parannuskohteita tai keskittyä tiettyihin luokkiin, jotka saattavat vaatia lisähuomiota.
Toinen hyödyllinen visualisointi Analysoi-välilehdellä on ominaisuuden tärkeyskaavio. Tämä käyrä osoittaa eri piirteiden suhteellisen merkityksen mallin ennusteissa. Ymmärtämällä, millä ominaisuuksilla on merkittävin vaikutus mallin päätöksiin, käyttäjät voivat saada käsityksen tietojen taustalla olevista malleista ja suhteista. Nämä tiedot voivat olla arvokkaita ominaisuussuunnittelussa, tärkeiden muuttujien tunnistamisessa ja mallin ennusteita ohjaavien tekijöiden ymmärtämisessä.
Lisäksi Analysoi-välilehti tarjoaa yksityiskohtaista tietoa mallin koulutuksessa käytetyistä syöttötiedoista. Tämä sisältää tilastot, kuten tietojoukon rivien, sarakkeiden ja puuttuvien arvojen lukumäärän. Syöttötietojen ominaisuuksien ymmärtäminen voi auttaa käyttäjiä tunnistamaan mahdollisia tietojen laatuongelmia, arvioimaan koulutusjoukon edustavuutta ja tekemään tietoon perustuvia päätöksiä tietojen esikäsittelystä ja ominaisuuksien suunnittelusta.
Analysoi-välilehti AutoML Tablesissa tarjoaa kattavan valikoiman työkaluja ja tietoja koulutetun koneoppimismallin analysoimiseen ja tulkitsemiseen. Se tarjoaa arviointimittareita, visualisointeja ja näkemyksiä mallin suorituskyvystä ja tietojen ominaisuuksista. Hyödyntämällä näitä tietoja, käyttäjät voivat tehdä tietoisia päätöksiä mallin käyttöönotosta, uusista mallien iteraatioista ja tietojen valmisteluprosessin parannuksista.
Muita viimeaikaisia kysymyksiä ja vastauksia liittyen AutoML-taulukot:
- Kuinka käyttäjät voivat ottaa mallinsa käyttöön ja saada ennusteita AutoML-taulukoissa?
- Mitä vaihtoehtoja on käytettävissä harjoitusbudjetin asettamiseen AutoML-taulukoissa?
- Kuinka käyttäjät voivat tuoda harjoitustietonsa AutoML-taulukoihin?
- Mitä eri tietotyyppejä AutoML-taulukot voivat käsitellä?