Poprawa jakości modelu dzięki analizie modelu TensorFlow

Wstęp

Dostosowując model w trakcie jego opracowywania, musisz sprawdzić, czy wprowadzone zmiany poprawiają model. Samo sprawdzenie dokładności może nie wystarczyć. Na przykład, jeśli masz klasyfikator dla problemu, w którym 95% przypadków jest pozytywnych, możesz poprawić dokładność, po prostu zawsze przewidując wynik pozytywny, ale nie będziesz mieć bardzo solidnego klasyfikatora.

Przegląd

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

  • Metryki obliczone na podstawie całego zbioru danych szkoleniowych i wstrzymanych, a także oceny następnego dnia
  • Wskaźniki śledzenia w czasie
  • Jakość modelu na różnych wycinkach funkcji
  • 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 metryk i wykresów oraz powiązanych wizualizacji notatników.

Zobacz przewodniki dotyczące instalacji i wprowadzenia , aby uzyskać informacje i przykłady konfiguracji w potoku autonomicznym. Przypomnijmy, że TFMA jest również używane w komponencie Evaluator w TFX, więc te zasoby będą również przydatne do rozpoczęcia pracy z TFX.