Skip to content

アプリケーション内で をクリックすると、お使いのDataRobotバージョンに関する全プラットフォームドキュメントにアクセスできます。

モデルのインサイト

モデルを選択すると、目的ごとにグループ化され、そのモデルに適した多数のインサイトが利用可能になります。

モデル リーダーボード

モデルリーダーボードは、選択されたパフォーマンス指標により順位付けされたモデルのリストで、最良モデルがリストの最上部に表示されます。これは、ユーザーの権限と適用性に基づいてさまざまなインサイトタブを提供します。非アクティブなグループの上にマウスを置くと、メンバータブのドロップダウンが表示されます。

備考

タブは、プロジェクトタイプに該当するものだけが表示されます。たとえば、時系列関連のタブ(時系列の精度など)は、時系列プロジェクトでのみ表示されます。プロジェクトに適用されるものの、特定のモデルタイプには適用されないタブはグレー表示されます(たとえば、アンサンブルモデルは、その構造の性質上、使用できるタブ機能が少なくなっています)。

このセクション内のページでは、リーダーボード(モデルタブ)から入手可能なインサイトの使用および解釈に関する情報を提供します。リーダーボードのバッジとコンポーネント、およびデータのタグ付け、検索、エクスポートなどの機能に関する情報については、リーダーボードリファレンスを参照してください。

[リーダーボード]タブ

タブ名 説明
評価 モデルの効果を判断するために必要な主要プロットおよび統計
位置ごとの精度 個々のモデル内の空間残差マッピングが表示されます。
時系列の精度 時間経過に伴う予測がどのように変化するかを視覚化します。
高度なチューニング DataRobotの選択を上書きして、モデルパラメーターを手動で設定できます。
異常評価 選択したバックテストのデータがプロットされ、最大500の異常ポイントのSHAPの説明が表示されます。
時間経過に伴う異常 データのタイムライン全体で異常がどのように発生するかをプロットします。
混同行列 多クラスプロジェクトの実際のデータ値を予測データ値と比較します。二値分類プロジェクトの場合、ROC曲線タブで混同行列を使用します。
特徴量ごとの予実 削除。特徴量ごとの作用を参照。
予測距離ごとの精度 プロジェクトの予測ウィンドウの各予測距離でのモデルの予測精度を視覚的に表示します。
予測値と実測値の比較 さまざまな予測ポイントからさまざまな予測がどのように動作するかを将来のさまざまな時間で比較できます。
リフトチャート モデルがターゲットの母集団をどの程度うまく分割しているか、そしてターゲットを予測することができるかを示します。
残差 連続値モデルの予測パフォーマンスと妥当性を明確に視覚化します。
ROC曲線 確率スケール上のいずれかのポイントにおいて選択されたモデルに関する分類、パフォーマンス、および統計を参照する際に役立ちます。
系列のインサイト 系列固有の情報を提供します。
安定性 さまざまなバックテストにおけるモデルのパフォーマンスを一目で把握できるサマリーを提供します。
トレーニングダッシュボード Kerasベースのモデルの反復ごとのトレーニングアクティビティに関する理解を提供します。
理解 モデルの予測が何に基づくかを説明します
特徴量ごとの作用 モデルの予測の各特徴量の値の変化による影響を示します。
特徴量のインパクト モデルの決定を最も強力に推進している特徴量の高レベルの視覚化を提供します。
クラスターインサイト データ内の潜在的な特徴量を捉えたり、実用的なインサイトを把握して伝達したり、さらにモデリングするためにデータ内のセグメントを特定したりします。
予測の説明 XEMPまたはSHAP方法論を使用して、行ごとに予測を推進するものを示します。
ワードクラウド 最も関連度の高い語句がワードクラウド形式で表示されます。
説明 モデル構築に関する情報および特徴量の詳細
ブループリント ブループリントを介して、データの前処理とパラメーター設定を表すグラフを提供します。
係数 一部のモデルに対して、最も重要な特徴量の視覚的表現と係数のエクスポート機能を提供します。
制約 特定のXGBoostモデルに特定の特徴量とターゲットの間の単調(常に増加または常に減少)関係性を学習させます。
データ品質処理レポート 無修正のブループリントの変換および代入情報を提供します。
Eureqaモデル Eureqa一般化加法モデル(GAM)、連続値モデル、および分類モデルのモデルブループリントへのアクセスを提供します。
ログ 動作状態の結果を一覧表示します。
モデル情報 モデル情報を表示します。
格付表 モデルの完全な検定済みパラメーターのエクスポートへのアクセスを提供します。
予測 予測オプションへのアクセス
DataRobot Prime 知識蒸留を使用して、DataRobotの外部での使用にPythonまたはJavaスコアリングコードにエクスポートできるモデルを生成します。オプションで、スコアリング速度と精度の間のトレードオフのバランスをとるために正則化できます。
デプロイ デプロイを作成し、予測を行うか、モデルパッケージを生成します。
ダウンロード モデルバイナリファイル、モデルの検定済みJavaスコアリングコード、またはチャートのエクスポートを提供します。
予測の作成 アプリ内予測を行います。
コンプライアンス 規制に基づく検定に使用できるモデル開発ドキュメントをコンパイルします
コンプライアンスに関するドキュメント 個別のモデルドキュメントを生成します。
テンプレートビルダー カスタムドキュメントテンプレートを作成、編集、および共有できます。
コメント モデリングプロジェクトにコメントを追加します
コメント AIカタログの項目にコメントを追加します。
バイアスと公平性 モデルのバイアスの有無をテストします
クラスごとのバイアス モデルにバイアスがあるかどうか、バイアスがある場合は、そのバイアスの程度と誰に対して好ましいまたは好ましくないかを示します。
クラス間のデータの相違 モデルにバイアスがある理由と、トレーニングデータ中のバイアスを学習した場所を示します。
クラス別の精度 保護された特徴量の各クラスセグメントのモデルの精度を測定します。
インサイトなど モデルの詳細を表すグラフ
アクティベーションマップ 予測を作成するときにモデルで使用する画像の領域を可視化します。
異常検知 トレーニングデータの最も異常な行(最も高いスコアを含む行)を一覧表示します。
カテゴリークラウド 集計されたカテゴリー型特徴量のカテゴリーの集計値の関連性を可視化します。
ホットスポット 予測パフォーマンスを示します。
画像埋め込み 画像の類似性を表す2次元空間に画像を表示します。
テキストマイニング 語句の関連性と短いフレーズの関連性を可視化します。
特徴量の有用性(木型アルゴリズム) モデル内で有用性が最も高い特徴量の順位を表示します。
各特徴量の効果 モデルの予測に対する特徴量ごとの作用の規模と方向性を表します。
ワードクラウド 特徴量キーワードの関連性を可視化します。
学習曲線 データセットのサイズを大きくすることに意味があるかどうかを判断する際に役立ちます。
速度対精度 実行時間と予測精度のトレードオフを可視化します。
モデル比較 選択したモデルをさまざまな基準で比較します。
バイアス対精度 予測精度と公平性の間のトレードオフを示します。

更新しました September 29, 2022
Back to top