TensorFlow Model Analizi ile Model Kalitesini Artırma
Koleksiyonlar ile düzeninizi koruyun
İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.
giriiş
Geliştirme sırasında modelinizde ince ayarlar yaparken, değişikliklerin modelinizi geliştirip iyileştirmediğini kontrol etmeniz gerekir. Sadece doğruluğunu kontrol etmek yeterli olmayabilir. Örneğin, örneklerinizin %95'inin pozitif olduğu bir sorun için bir sınıflandırıcınız varsa, her zaman pozitif tahminde bulunarak doğruluğu artırabilirsiniz ancak çok sağlam bir sınıflandırıcıya sahip olmazsınız.
Genel Bakış
TensorFlow Model Analizinin amacı, TFX'te model değerlendirmesi için bir mekanizma sağlamaktır. TensorFlow Model Analizi, TFX kanalında model değerlendirmeleri yapmanıza ve sonuçta ortaya çıkan ölçümleri ve grafikleri bir Jupyter not defterinde görüntülemenize olanak tanır. Özellikle şunları sağlayabilir:
- Tüm eğitim ve uzatma veri kümesinin yanı sıra ertesi gün değerlendirmeleri üzerinden hesaplanan ölçümler
- Metrikleri zaman içinde izleme
- Farklı özellik dilimlerinde model kalitesi performansı
- Modelin tutarlı performansı sürdürmesini sağlamak için model doğrulama
Sonraki adımlar
TFMA eğitimimizi deneyin.
Desteklenen ölçümler ve grafikler ile ilgili not defteri görselleştirmeleri hakkında ayrıntılar için github sayfamıza göz atın.
Bağımsız bir işlem hattında nasıl kurulacağına ilişkin bilgi ve örnekler için kurulum ve başlangıç kılavuzlarına bakın. TFMA'nın aynı zamanda TFX'teki Değerlendirici bileşeninde de kullanıldığını hatırlayın, dolayısıyla bu kaynaklar TFX'e başlarken de faydalı olacaktır.
Aksi belirtilmediği sürece bu sayfanın içeriği Creative Commons Atıf 4.0 Lisansı altında ve kod örnekleri Apache 2.0 Lisansı altında lisanslanmıştır. Ayrıntılı bilgi için Google Developers Site Politikaları'na göz atın. Java, Oracle ve/veya satış ortaklarının tescilli ticari markasıdır.
Son güncelleme tarihi: 2025-07-25 UTC.
[null,null,["Son güncelleme tarihi: 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."]]
