توفر علامة التبويب تحليل في جداول AutoML العديد من المعلومات والرؤى المهمة حول نموذج التعلم الآلي المُدرب. يقدم مجموعة شاملة من الأدوات والتصورات التي تسمح للمستخدمين بفهم أداء النموذج وتقييم فعاليته واكتساب رؤى قيمة حول البيانات الأساسية.
تعتبر مقاييس تقييم النموذج من الأجزاء الأساسية للمعلومات المتوفرة في علامة التبويب "تحليل". توفر هذه المقاييس تقييمًا كميًا لأداء النموذج ، مما يسمح للمستخدمين بقياس دقته وقدراته التنبؤية. توفر جداول AutoML العديد من مقاييس التقييم الشائعة الاستخدام ، مثل الدقة والدقة والاستدعاء ودرجة F1 والمنطقة الواقعة أسفل منحنى خاصية تشغيل جهاز الاستقبال (AUC-ROC). تساعد هذه المقاييس المستخدمين على فهم مدى جودة أداء النموذج ويمكن استخدامها لمقارنة النماذج أو التكرارات المختلفة.
بالإضافة إلى مقاييس التقييم ، تقدم علامة التبويب تحليل أيضًا تصورات مختلفة للمساعدة في تفسير النموذج وتحليله. أحد هذه التصورات هي مصفوفة الارتباك ، والتي توفر تفصيلاً مفصلاً لتنبؤات النموذج عبر الفئات المختلفة. تساعد هذه المصفوفة المستخدمين على فهم أداء النموذج من حيث الإيجابيات الحقيقية والسلبيات الحقيقية والإيجابيات الكاذبة والسلبيات الزائفة. من خلال فحص مصفوفة الارتباك ، يمكن للمستخدمين تحديد مجالات التحسين المحتملة أو التركيز على فئات معينة قد تتطلب مزيدًا من الاهتمام.
هناك تصور مفيد آخر في علامة التبويب "تحليل" وهو مخطط أهمية الميزة. توضح هذه المؤامرة الأهمية النسبية للميزات المختلفة في تنبؤات النموذج. من خلال فهم الميزات التي لها التأثير الأكثر أهمية على قرارات النموذج ، يمكن للمستخدمين اكتساب رؤى حول الأنماط والعلاقات الأساسية في البيانات. يمكن أن تكون هذه المعلومات ذات قيمة لهندسة الميزات ، وتحديد المتغيرات المهمة ، وفهم العوامل التي تحرك تنبؤات النموذج.
علاوة على ذلك ، توفر علامة التبويب تحليل معلومات مفصلة حول بيانات الإدخال المستخدمة لتدريب النموذج. يتضمن هذا إحصائيات مثل عدد الصفوف والأعمدة والقيم المفقودة في مجموعة البيانات. يمكن أن يساعد فهم خصائص بيانات الإدخال المستخدمين على تحديد مشكلات جودة البيانات المحتملة ، وتقييم مدى تمثيل مجموعة التدريب ، واتخاذ قرارات مستنيرة بشأن المعالجة المسبقة للبيانات وهندسة الميزات.
توفر علامة التبويب تحليل في جداول AutoML مجموعة شاملة من الأدوات والمعلومات لتحليل وتفسير نموذج التعلم الآلي المدرب. يوفر مقاييس تقييم وتصورات ورؤى حول أداء النموذج وخصائص البيانات. من خلال الاستفادة من هذه المعلومات ، يمكن للمستخدمين اتخاذ قرارات مستنيرة حول نشر النموذج ، والمزيد من التكرارات للنماذج ، والتحسينات في عملية إعداد البيانات.
أسئلة وأجوبة أخرى حديثة بخصوص جداول AutoML:
- كيف يمكن للمستخدمين نشر نموذجهم والحصول على تنبؤات في جداول AutoML؟
- ما هي الخيارات المتاحة لإعداد ميزانية التدريب في جداول AutoML؟
- كيف يمكن للمستخدمين استيراد بيانات التدريب الخاصة بهم إلى جداول AutoML؟
- ما هي أنواع البيانات المختلفة التي يمكن أن تتعامل معها جداول AutoML؟