予測エクスペリメント¶
次のセクションは、ワークベンチでの機械学習構築のエクスペリメントを理解するのに役立ちます。
| トピック | 内容... |
|---|---|
| エクスペリメントを作成 | |
| 基本的なエクスペリメント設定 | 予測エクスペリメントを開始するための基本設定を行います。 |
| 高度なエクスペリメント設定 | エクスペリメント設定をファインチューニングするには、詳細設定タブを使用します。 |
| Manage models | |
| リーダーボードを管理 | リーダーボードの操作とフィルター。特徴量セットの作成。 |
| モデルを比較 | 単一のユースケース内で任意の数のエクスペリメントから、同じタイプの最大3つのモデルを比較します。 |
| モデルの追加/再トレーニング | 既存のモデルを再トレーニングし、ブループリントリポジトリからモデルを追加します。 |
| ブループリントの編集 | 組み込みタスクとカスタムPython/Rコードを使用してカスタムブループリントを構築します。 |
| モデルインサイトを探索 | |
| ブループリント | 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 | 最も有用な30の特徴量の相対的な影響を視覚的に示します。 |
| コンプライアンスドキュメント | 効果的なモデルリスク管理の構成について包括的なガイダンスを提供するために個別のドキュメントを生成します。 |
| 混同行列 | 多クラス分類問題の実測値と予測値を比較して、クラスの誤ったラベル付けを特定します。 |
| 特徴量ごとの作用 | View how changes to the value of each feature change model predictions |
| 特徴量のインパクト | Understand which features are driving model decisions. |
| 個々の予測の説明 | 各特徴量が特定の予測にどの程度寄与するかを、平均値との差に基づいて推定します。 |
| 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。 |
| モデルのイテレーション | Compare trained iterations in incremental learning experiments. |
| 残差 | モデルの予測パフォーマンスと妥当性を理解するための散布図とヒストグラムを提供します。 |
| ROC曲線 | モデルに関連した分類、パフォーマンス、および統計を調べるためのツールを提供します。 |
| ワードクラウド | テキスト特徴量がモデル予測に与える影響を視覚化します。 |
| その他 | |
| SHAPリファレンス | 提携型ゲーム理論フレームワークであるSHAP（SHapley Additive exPlanations）の詳細。 |
備考
エクスペリメントは、1つのユースケースにのみ含めることができます。 その理由は、ユースケースは特定のビジネス上の問題を表すことを意図しており、ユースケース内のエクスペリメントは一般的に、その問題を解決することを目的としているためです。 1つのエクスペリメントが複数のユースケースに関連する場合、2つのユースケースの統合を検討してください。
更新しました July 10, 2024
このページは役に立ちましたか？
ありがとうございます。どのような点が役に立ちましたか？
より良いコンテンツを提供するには、どうすればよいでしょうか？
アンケートにご協力いただき、ありがとうございました。