تحسين جودة النموذج باستخدام تحليل نموذج TensorFlow

مقدمة

عندما تقوم بتعديل نموذجك أثناء التطوير، فإنك تحتاج إلى التحقق مما إذا كانت تغييراتك تعمل على تحسين نموذجك. مجرد التحقق من الدقة قد لا يكون كافيا. على سبيل المثال، إذا كان لديك مصنفًا لمشكلة تكون فيها 95% من الحالات الخاصة بك إيجابية، فقد تتمكن من تحسين الدقة ببساطة عن طريق التنبؤ الإيجابي دائمًا، ولكن لن يكون لديك مصنف قوي جدًا.

ملخص

الهدف من تحليل نموذج TensorFlow هو توفير آلية لتقييم النموذج في TFX. يتيح لك تحليل نموذج TensorFlow إجراء تقييمات للنماذج في مسار TFX، وعرض المقاييس والمؤامرات الناتجة في دفتر ملاحظات Jupyter. على وجه التحديد، يمكن أن توفر:

  • يتم حساب المقاييس على مجموعة بيانات التدريب والإيقاف بأكملها، بالإضافة إلى تقييمات اليوم التالي
  • تتبع المقاييس مع مرور الوقت
  • نموذج أداء الجودة على شرائح الميزات المختلفة
  • التحقق من صحة النموذج لضمان الحفاظ على أداء النموذج المتسق

الخطوات التالية

جرب برنامجنا التعليمي TFMA .

راجع صفحة github الخاصة بنا للحصول على تفاصيل حول المقاييس والمؤامرات المدعومة وتصورات دفتر الملاحظات المرتبطة بها.

راجع أدلة التثبيت والبدء للحصول على معلومات وأمثلة حول كيفية الإعداد في مسار مستقل. تذكر أن TFMA يُستخدم أيضًا ضمن مكون المُقيم في TFX، لذا ستكون هذه الموارد مفيدة للبدء في TFX أيضًا.