تحسين جودة النموذج باستخدام تحليل نموذج TensorFlow
تنظيم صفحاتك في مجموعات
يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.
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.
إنّ محتوى هذه الصفحة مرخّص بموجب ترخيص Creative Commons Attribution 4.0 ما لم يُنصّ على خلاف ذلك، ونماذج الرموز مرخّصة بموجب ترخيص Apache 2.0. للاطّلاع على التفاصيل، يُرجى مراجعة سياسات موقع Google Developers. إنّ Java هي علامة تجارية مسجَّلة لشركة Oracle و/أو شركائها التابعين.
تاريخ التعديل الأخير: 2025-07-25 (حسب التوقيت العالمي المتفَّق عليه)
[null,null,["تاريخ التعديل الأخير: 2025-07-25 (حسب التوقيت العالمي المتفَّق عليه)"],[],[],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."]]
