שיפור איכות המודל עם ניתוח מודל TensorFlow
קל לארגן דפים בעזרת אוספים
אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.
מבוא
כשאתה מכוון את המודל שלך במהלך הפיתוח, עליך לבדוק אם השינויים שלך משפרים את המודל שלך. ייתכן שרק בדיקת הדיוק לא תספיק. לדוגמה, אם יש לך מסווג לבעיה שבה 95% מהמקרים שלך חיוביים, ייתכן שתוכל לשפר את הדיוק פשוט על ידי חיזוי חיובי תמיד, אבל לא יהיה לך מסווג חזק במיוחד.
סקירה כללית
המטרה של TensorFlow Model Analysis היא לספק מנגנון להערכת מודלים ב-TFX. ניתוח מודלים של TensorFlow מאפשר לך לבצע הערכות מודל בצנרת ה-TFX, ולהציג מדדים וחלקים כתוצאה מכך במחברת Jupyter. באופן ספציפי, זה יכול לספק:
- מדדים מחושבים על כל מערך ההדרכה ו-holdout, כמו גם הערכות למחרת
- מעקב אחר מדדים לאורך זמן
- ביצועי איכות דגם על פרוסות תכונה שונות
- אימות מודל להבטחת ביצועים עקביים של מודל זה
הצעדים הבאים
נסה את הדרכה TFMA שלנו.
עיין בדף ה-github שלנו לפרטים על המדדים והמזימות הנתמכים והדמיות המחברת הקשורות.
עיין במדריכי ההתקנה ותחילת העבודה לקבלת מידע ודוגמאות כיצד להתקין בצינור עצמאי. נזכיר ש-TFMA משמש גם בתוך רכיב ה-Evaluator ב-TFX, כך שהמשאבים הללו יהיו שימושיים גם לתחילת העבודה ב-TFX.
אלא אם צוין אחרת, התוכן של דף זה הוא ברישיון Creative Commons Attribution 4.0 ודוגמאות הקוד הן ברישיון Apache 2.0. לפרטים, ניתן לעיין במדיניות האתר Google Developers. Java הוא סימן מסחרי רשום של חברת Oracle ו/או של השותפים העצמאיים שלה.
עדכון אחרון: 2025-07-25 (שעון UTC).
[null,null,["עדכון אחרון: 2025-07-25 (שעון 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."]]
