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

Poprawa jakości modelu dzięki analizie modelu TensorFlow

Wprowadzenie

Podczas modyfikowania modelu podczas programowania musisz 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 pozytywny, 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 obliczane na podstawie 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 samodzielnym. Przypomnijmy, że TFMA jest również używany w komponencie Ewaluator w TFX, więc te zasoby będą również przydatne do rozpoczęcia pracy w TFX.