Článek
Tzv. Features grid - čili konzole zobrazuje statistiky vybrané tabulky pro experiment. Podporované statistiky jsou Distinct Values - specifické hodnoty, Minimum, Maximum, Mean a Standard Deviation - standardní odchylka. Podporovanými datovými zdroji pro features jsou tabulky, views tj. pohledy a analytické pohledy - pozn. aut. - pohled je vypočtená hodnota nějakého parametru. Cílový sloupec, který jse vybrali v predikci je tady zvýrazněn. Poté, jak je běh experimentu dokončen Features grid zobrazí dodatečný sloupec tzv. důležitost. Ta indikuje celkovou úroveň citlivosti predikce na danou črtu. Zavěste se kurzorem nad graf aby jse viděli hodnotu důležitosti. Je vždy v rozsahu 0 - 1, kde hodnoty bližší jedné jsou důležitější.
Sekce črt
vytvořte notebooky z AutoML UI Modelů
Můžete vytvořit notebooky za použití OML4Py kódu, který znovuvytvoří vybraný model za použití těch samých nastavení. Taky ilustruje jak data skórovat za použití modelu. Tato možnost je pomocí jestli chcete použít kód pro znovuvytvoření podobného ML modelu.
Pro vytvoření notebooku z AutoML UI modelu:
Vyberte model na Leader Board v závislosti na kterém chcete svůj notebook vytvořit a klikněte na Create Notebook. Otevře se dialogové okno.
Napíšte jméno notebooku.
Endpoint pro REST API - prozatím jenom „speciální rozhraní“ - odvodí metadata experimentu a určí jako aplikovatelné následující nastavení:
Datový zdroj experimentu (schéma.tabulka)
ID případu. Když není dostupné, zobrazí se příslušný odkaz.
Generuje se unikátní model založený na současném jménu modelu.
Informace příslušné pro skórovací paragraf:
ID případ: Když je dostupné tak zahrne ID sloupec do skórovacího výstupu tabulky.
Generuje se unikátní predikujíci výstupní tabulka v závislosti na stavebních - build - datových zdrojích a unikátní přípona.
Název predikujícího sloupce je PREDICTION.
Název sloupce predikované pravděpodobnosti je PROBABILITY (jen pro klasifikaci)
Klik OK. Generovaný notebook se zobrazí na stránce Notebook - otevřete ho.
Generovaný notebook zobrazí titulky pro každý paragraf spolu s kódem pythonu. Když máte notebook zpuštěn, zobrazí informace týkající se notebooku jakož i AutoML experimentu jako jméno experimentu, pracovní prostor a projekt ve kterém je notebook přítomen, uživatelská data, typ predikce, cíl predikce, algoritmus a časovou známku kdy byl notebook generován.