بهبود کیفیت مدل با تحلیل مدل TensorFlow

مقدمه

همانطور که در طول توسعه مدل خود را تغییر می دهید، باید بررسی کنید که آیا تغییرات شما باعث بهبود مدل شما می شود یا خیر. فقط بررسی دقت ممکن است کافی نباشد. به عنوان مثال، اگر یک طبقه‌بندی کننده برای مشکلی دارید که در آن 95 درصد موارد شما مثبت هستند، ممکن است بتوانید دقت را با پیش‌بینی مثبت همیشه بهبود بخشید، اما طبقه‌بندی‌کننده خیلی قوی نخواهید داشت.

بررسی اجمالی

هدف تحلیل مدل TensorFlow ارائه مکانیزمی برای ارزیابی مدل در TFX است. تجزیه و تحلیل مدل TensorFlow به شما امکان می دهد ارزیابی های مدل را در خط لوله TFX انجام دهید و معیارها و نمودارهای حاصل را در یک نوت بوک Jupyter مشاهده کنید. به طور خاص، می تواند ارائه دهد:

  • معیارهای محاسبه شده بر روی کل مجموعه آموزشی و نگهداری و همچنین ارزیابی‌های روز بعد
  • ردیابی معیارها در طول زمان
  • مدل عملکرد کیفیت در برش های ویژگی های مختلف
  • اعتبارسنجی مدل برای اطمینان از حفظ عملکرد ثابت آن مدل

مراحل بعدی

آموزش TFMA ما را امتحان کنید.

صفحه github ما را برای جزئیات در مورد معیارها و نمودارهای پشتیبانی شده و تجسم نوت بوک مرتبط بررسی کنید.

برای اطلاعات و مثال‌هایی در مورد نحوه راه‌اندازی در خط لوله مستقل، راهنمای نصب و شروع کار را ببینید. به یاد بیاورید که TFMA در مولفه Evaluator در TFX نیز استفاده می شود، بنابراین این منابع برای شروع در TFX نیز مفید خواهند بود.