การปรับปรุงคุณภาพโมเดลด้วยการวิเคราะห์โมเดล TensorFlow
จัดทุกอย่างให้เป็นระเบียบอยู่เสมอด้วยคอลเล็กชัน
บันทึกและจัดหมวดหมู่เนื้อหาตามค่ากำหนดของคุณ
การแนะนำ
เมื่อคุณปรับแต่งโมเดลระหว่างการพัฒนา คุณต้องตรวจสอบว่าการเปลี่ยนแปลงของคุณช่วยปรับปรุงโมเดลของคุณหรือไม่ แค่ตรวจสอบความถูกต้องอาจไม่เพียงพอ ตัวอย่างเช่น หากคุณมีตัวแยกประเภทสำหรับปัญหาที่ 95% ของอินสแตนซ์ของคุณเป็นบวก คุณอาจสามารถปรับปรุงความแม่นยำได้โดยการทำนายเชิงบวกเสมอ แต่คุณจะไม่มีตัวแยกประเภทที่มีประสิทธิภาพมากนัก
ภาพรวม
เป้าหมายของการวิเคราะห์โมเดล TensorFlow คือการจัดหากลไกสำหรับการประเมินโมเดลใน TFX การวิเคราะห์โมเดล TensorFlow ช่วยให้คุณสามารถประเมินโมเดลในไปป์ไลน์ TFX และดูตัววัดและพล็อตผลลัพธ์ในสมุดบันทึก Jupyter โดยเฉพาะอย่างยิ่งสามารถให้:
- ตัวชี้วัด ที่คำนวณจากชุดข้อมูลการฝึกอบรมและการฝึกอบรมทั้งหมด รวมถึงการประเมินในวันถัดไป
- การติดตามตัวชี้วัดในช่วงเวลาหนึ่ง
- สร้างแบบจำลองประสิทธิภาพคุณภาพบนส่วนฟีเจอร์ต่างๆ
- การตรวจสอบโมเดล เพื่อให้แน่ใจว่าโมเดลนั้นรักษาประสิทธิภาพที่สม่ำเสมอ
ขั้นตอนถัดไป
ลองใช้ บทช่วยสอน TFMA ของเรา
ตรวจสอบหน้า GitHub ของเราเพื่อดูรายละเอียดเกี่ยวกับ หน่วยวัดและแผนที่ รองรับ และ การแสดงภาพ สมุดบันทึกที่เกี่ยวข้อง
ดูคู่มือ การติดตั้ง และ การเริ่มต้นใช้งาน สำหรับข้อมูลและตัวอย่างวิธี ตั้งค่า ในไปป์ไลน์แบบสแตนด์อโลน โปรดทราบว่า TFMA ยังใช้ภายในส่วนประกอบ Evaluator ใน TFX ดังนั้นทรัพยากรเหล่านี้จะเป็นประโยชน์สำหรับการเริ่มต้นใน TFX เช่นกัน
เนื้อหาของหน้าเว็บนี้ได้รับอนุญาตภายใต้ใบอนุญาตที่ต้องระบุที่มาของครีเอทีฟคอมมอนส์ 4.0 และตัวอย่างโค้ดได้รับอนุญาตภายใต้ใบอนุญาต Apache 2.0 เว้นแต่จะระบุไว้เป็นอย่างอื่น โปรดดูรายละเอียดที่นโยบายเว็บไซต์ Google Developers Java เป็นเครื่องหมายการค้าจดทะเบียนของ Oracle และ/หรือบริษัทในเครือ
อัปเดตล่าสุด 2025-07-25 UTC
[null,null,["อัปเดตล่าสุด 2025-07-25 UTC"],[],[],null,["# Improving Model Quality With TensorFlow Model Analysis\n\n\u003cbr /\u003e\n\nIntroduction\n------------\n\nAs you tweak your model during development, you need to check whether your\nchanges are improving your model. Just checking accuracy may not be enough. For\nexample, if you have a classifier for a problem in which 95% of your instances\nare positive, you may be able to improve accuracy by simply always predicting\npositive, but you won't have a very robust classifier.\n\nOverview\n--------\n\nThe goal of TensorFlow Model Analysis is to provide a mechanism for model\nevaluation in TFX. TensorFlow Model Analysis allows you to perform model\nevaluations in the TFX pipeline, and view resultant metrics and plots in a\nJupyter notebook. Specifically, it can provide:\n\n- [Metrics](../model_analysis/metrics) computed on entire training and holdout dataset, as well as next-day evaluations\n- Tracking metrics over time\n- Model quality performance on different feature slices\n- [Model validation](../model_analysis/model_validations) for ensuring that model's maintain consistent performance\n\nNext Steps\n----------\n\nTry our [TFMA tutorial](../tutorials/model_analysis/tfma_basic).\n\nCheck out our [github](https://github.com/tensorflow/model-analysis) page for\ndetails on the supported\n[metrics and plots](../model_analysis/metrics) and associated notebook\n[visualizations](../model_analysis/visualizations).\n\nSee the [installation](../model_analysis/install) and\n[getting started](../model_analysis/get_started) guides for information and\nexamples on how to get [set up](../model_analysis/setup) in a standalone\npipeline. Recall that TFMA is also used within the [Evaluator](/tfx/guide/evaluator)\ncomponent in TFX, so these resources will be useful for getting started in TFX\nas well."]]
