introduzione
Quando modifichi il tuo modello durante lo sviluppo, devi verificare se le modifiche apportate stanno migliorando il tuo modello. Il solo controllo dell'accuratezza potrebbe non essere sufficiente. Ad esempio, se hai un classificatore per un problema in cui il 95% delle tue istanze è positivo, potresti essere in grado di migliorare l'accuratezza semplicemente prevedendo sempre positivo, ma non avrai un classificatore molto robusto.
Panoramica
L'obiettivo di TensorFlow Model Analysis è fornire un meccanismo per la valutazione del modello in TFX. TensorFlow Model Analysis consente di eseguire valutazioni del modello nella pipeline TFX e visualizzare le metriche e i grafici risultanti in un notebook Jupyter. Nello specifico può fornire:
- Metriche calcolate sull'intero set di dati di addestramento e controllo, nonché sulle valutazioni del giorno successivo
- Monitoraggio delle metriche nel tempo
- Prestazioni di qualità del modello su diverse sezioni di funzionalità
- Convalida del modello per garantire che il modello mantenga prestazioni coerenti
Prossimi passi
Prova il nostro tutorial TFMA .
Dai un'occhiata alla nostra pagina github per i dettagli sulle metriche e sui grafici supportati e sulle visualizzazioni dei notebook associate.
Consulta le guide all'installazione e introduttiva per informazioni ed esempi su come configurare una pipeline autonoma. Ricordiamo che TFMA viene utilizzato anche all'interno del componente Evaluator in TFX, quindi queste risorse saranno utili anche per iniziare a TFX.