Ta strona została przetłumaczona przez Cloud Translation API.
Switch to English

Poprawa jakości modelu dzięki analizie modelu TensorFlow

Wprowadzenie

Podczas modyfikowania modelu w trakcie opracowywania należy sprawdzić, czy zmiany poprawiają model. Samo sprawdzenie dokładności może nie wystarczyć. Na przykład, jeśli masz klasyfikator dla problemu, w którym 95% twoich wystąpień jest pozytywnych, możesz poprawić dokładność, po prostu zawsze przewidując pozytywne, ale nie będziesz miał bardzo solidnego klasyfikatora.

Przegląd

Celem analizy modelu TensorFlow jest zapewnienie mechanizmu oceny modelu w TFX. Analiza modelu TensorFlow umożliwia przeprowadzanie ocen modeli w potoku TFX i wyświetlanie wynikowych metryk i wykresów w notatniku Jupyter. W szczególności może zapewnić:

  • Metryki obliczone dla całego zbioru danych dotyczących szkolenia i wstrzymania, a także ocen z następnego dnia
  • Wskaźniki śledzenia w czasie
  • Modeluj wydajność jakości na różnych wycinkach cech
  • Walidacja modelu w celu zapewnienia, że ​​model utrzymuje stałą wydajność

Następne kroki

Wypróbuj nasz samouczek TFMA .

Sprawdź naszą stronę github, aby uzyskać szczegółowe informacje na temat obsługiwanych wskaźników i wykresów oraz powiązanych wizualizacji notatników.

Zapoznaj się z przewodnikami dotyczącymi instalacji i get_started, aby uzyskać informacje i przykłady konfiguracji w potoku autonomicznym. Przypomnij sobie, że TFMA jest również używany w komponencie Ewaluator w TFX, więc te zasoby będą również przydatne do rozpoczęcia pracy w TFX.