Diese Seite wurde von der Cloud Translation API übersetzt.
Switch to English

Verbessern der Modellqualität mit TensorFlow-Modellanalyse

Einführung

Während Sie Ihr Modell während der Entwicklung optimieren, müssen Sie überprüfen, ob Ihre Änderungen Ihr Modell verbessern. Es reicht möglicherweise nicht aus, nur die Genauigkeit zu überprüfen. Wenn Sie beispielsweise einen Klassifizierer für ein Problem haben, bei dem 95% Ihrer Instanzen positiv sind, können Sie möglicherweise die Genauigkeit verbessern, indem Sie einfach immer positiv vorhersagen, aber Sie haben keinen sehr robusten Klassifizierer.

Überblick

Ziel der TensorFlow-Modellanalyse ist es, einen Mechanismus für die Modellbewertung in TFX bereitzustellen. Mit TensorFlow Model Analysis können Sie Modellauswertungen in der TFX-Pipeline durchführen und resultierende Metriken und Diagramme in einem Jupyter-Notizbuch anzeigen. Insbesondere kann es Folgendes bieten:

  • Metriken, die für den gesamten Trainings- und Holdout-Datensatz sowie für Auswertungen am nächsten Tag berechnet wurden
  • Verfolgen von Metriken im Laufe der Zeit
  • Modellqualitätsleistung auf verschiedenen Feature-Slices
  • Modellvalidierung , um sicherzustellen , dass Modell konstante Leistung aufrechtzuerhalten

Nächste Schritte

Probieren Sie unser TFMA-Tutorial aus .

Auf unserer Github- Seite finden Sie Details zu den unterstützten Metriken und Plots sowie den zugehörigen Notebook- Visualisierungen .

Informationen und Beispiele zum Einrichten in einer eigenständigen Pipeline finden Sie in den Anleitungen install und get_started . Denken Sie daran, dass TFMA auch in der Evaluator- Komponente in TFX verwendet wird, sodass diese Ressourcen auch für den Einstieg in TFX hilfreich sind.