بهبود کیفیت مدل با تحلیل مدل TensorFlow
با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
معرفی
همانطور که در طول توسعه مدل خود را تغییر می دهید، باید بررسی کنید که آیا تغییرات شما باعث بهبود مدل شما می شود یا خیر. فقط بررسی دقت ممکن است کافی نباشد. به عنوان مثال، اگر شما یک طبقه‌بندی کننده برای مشکلی دارید که در آن 95 درصد موارد شما مثبت هستند، ممکن است بتوانید دقت را با پیش‌بینی مثبت همیشه افزایش دهید، اما طبقه‌بندی‌کننده خیلی قوی نخواهید داشت.
بررسی اجمالی
هدف از تحلیل مدل TensorFlow ارائه مکانیزمی برای ارزیابی مدل در TFX است. تجزیه و تحلیل مدل TensorFlow به شما امکان می دهد ارزیابی های مدل را در خط لوله TFX انجام دهید و معیارها و نمودارهای حاصل را در یک نوت بوک Jupyter مشاهده کنید. به طور خاص، می تواند ارائه دهد:
- معیارهای محاسبه شده بر روی کل مجموعه آموزشی و نگهدارنده، و همچنین ارزیابی‌های روز بعد
- ردیابی معیارها در طول زمان
- عملکرد کیفیت مدل در برش های ویژگی های مختلف
- اعتبارسنجی مدل برای اطمینان از حفظ عملکرد ثابت آن مدل
مراحل بعدی
آموزش TFMA ما را امتحان کنید.
صفحه github ما را برای جزئیات بیشتر در مورد معیارها و نمودارهای پشتیبانی شده و تجسم نوت بوک مرتبط بررسی کنید.
برای اطلاعات و مثال هایی در مورد نحوه راه اندازی در خط لوله مستقل، راهنمای نصب و شروع کار را ببینید. به یاد بیاورید که TFMA در مولفه Evaluator در TFX نیز استفاده می شود، بنابراین این منابع برای شروع در TFX نیز مفید خواهند بود.
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشیهای سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبتشده Oracle و/یا شرکتهای وابسته به آن است.
تاریخ آخرین بهروزرسانی 2025-07-25 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2025-07-25 بهوقت ساعت هماهنگ جهانی."],[],[],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."]]
