Meningkatkan Kualitas Model Dengan Analisis Model TensorFlow

Tetap teratur dengan koleksi Simpan dan kategorikan konten berdasarkan preferensi Anda.

pengantar

Saat Anda mengubah model Anda selama pengembangan, Anda perlu memeriksa apakah perubahan Anda meningkatkan model Anda. Hanya memeriksa akurasi mungkin tidak cukup. Misalnya, jika Anda memiliki pengklasifikasi untuk masalah di mana 95% dari instans Anda positif, Anda mungkin dapat meningkatkan akurasi hanya dengan selalu memprediksi positif, tetapi Anda tidak akan memiliki pengklasifikasi yang sangat kuat.

Ringkasan

Tujuan Analisis Model TensorFlow adalah untuk menyediakan mekanisme evaluasi model di TFX. Analisis Model TensorFlow memungkinkan Anda melakukan evaluasi model di saluran TFX, dan melihat metrik dan plot yang dihasilkan di notebook Jupyter. Secara khusus, ini dapat memberikan:

  • Metrik yang dihitung pada seluruh set data pelatihan dan ketidaksepakatan, serta evaluasi hari berikutnya
  • Melacak metrik dari waktu ke waktu
  • Performa kualitas model pada irisan fitur yang berbeda
  • Validasi model untuk memastikan model itu mempertahankan kinerja yang konsisten

Langkah selanjutnya

Coba tutorial TFMA kami.

Lihat halaman github kami untuk detail tentang metrik dan plot yang didukung serta visualisasi buku catatan terkait .

Lihat panduan penginstalan dan memulai untuk informasi dan contoh tentang cara menyiapkan dalam pipeline mandiri. Ingatlah bahwa TFMA juga digunakan dalam komponen Evaluator di TFX, jadi sumber daya ini juga berguna untuk memulai di TFX.