إشعار
يتطلب الوصول إلى هذه الصفحة تخويلاً. يمكنك محاولة تسجيل الدخول أو تغيير الدلائل.
يتطلب الوصول إلى هذه الصفحة تخويلاً. يمكنك محاولة تغيير الدلائل.
بعد كل تدريب، يستخدم AI Builder مجموعة بيانات الاختبار لتقييم جودة وملاءمة النموذج الجديد. تعرض صفحة ملخص النموذج الخاص بك نتيجة التدريب على النموذج. يتم التعبير عن هذه النتائج كدرجة أداء من A أو B أو C أو D.
قياس الأداء
درجة الأداء
بعد كل تدريب، يعرض AI Builder درجة لمساعدتك في تقييم دقة نموذجك. القرار بشأن ما إذا كان نموذجك جاهزاً للنشر هو قرار يتعين عليك اتخاذه بناءً على احتياجاتك وظروفك الفريدة. يوفر AI Builder درجات الأداء التالية لمساعدتك على اتخاذ ذلك القرار التحكيمي.
كيفية تفسير كل درجة
| التصنيف | التوجيه |
|---|---|
| A | قد يكون تحسين النموذج ممكنًا، ولكن هذه الدرجة هي أفضل درجة يمكنك الحصول عليها. |
| B | النموذج صحيح في كثير من الحالات. هل يمكن تحسينه؟ يعتمد ذلك على ظروفك وبياناتك ومتطلباتك الفريدة. |
| C | النموذج يعمل بشكل أفضل قليلاً من التخمين العشوائي. قد يكون مقبولاً لبعض التطبيقات، ولكن في معظم الحالات، هذا نموذج ستستمر في تعديله وتحسينه. |
| D | هناك خطأ. إما أن يؤدي نموذجك أداءً أسوأ مما نتوقع أن يؤديه تخمين عشوائي (نموذج غير ملائم). أو، يكون الأداء جيداً (عند 100% أو قريباً منه) لدرجة أنه ربما يكون لديك عمود بيانات مرتبط ارتباطاً مباشراً بالنتيجة (نموذج مبالغ في ملاءمته) . |
- مزيد من المعلومات حول نماذج غير ملائمة
- مزيد من المعلومات حول نماذج مبالغ في ملاءمتها
يختلف نطاق الدقة حسب بياناتك
إذا كنت تتوقع نتيجتين أو أكثر، يمكن أن تختلف معدلات الدقة الفعلية التي تتوافق مع الدرجات المبينة أعلاه اعتماداً على توزيع البيانات لبياناتك التاريخية. ويفسر الاختلاف حقيقة أن التحسن المرتبط بمعدل خط الأساس الخاص بك يتغير عند تحريك خط الأساس هذا.
لنفترض أن نموذجك يتوقع وصول الشحنة في الوقت المحدد. إذا كان معدلك التاريخي في الوقت المحدد هو 80 بالمائة، فإن نتيجة الأداء البالغة 92 ستتوافق مع الدرجة B. ولكن، إذا كان معدلك التاريخي في الوقت المحدد هو 50 بالمائة فقط، فإن النتيجة 92 ستتوافق مع الدرجة A. ذلك لأن 92 يمثل تحسناً أفضل بكثير من 50 في المائة مما يزيد عن 80 في المائة، وتتوقع أن يكون التخمين العشوائي قريباً من تلك النسب المئوية.
مثال على البيانات التاريخية الثنائية
يوضح هذا المثال نطاقات الدقة لكل درجة عندما تحتوي البيانات التاريخية على معدلات مختلفة في الوقت المحدد للتنبؤ الثنائي.
| التصنيف | نطاق الدقة لمعدل تاريخي 25% في الوقت المحدد | نطاق الدقة لمعدل تاريخي 50% في الوقت المحدد | نطاق الدقة لمعدل تاريخي 80% في الوقت المحدد | نطاق الدقة لمعدل تاريخي 95% في الوقت المحدد |
|---|---|---|---|---|
| A | 92.5 – <99.3% | 90 – 98% | 93 – <99% | 98.1 – <99.8% |
| B | 81.3 – <92.5% | 75 – <90% | 84 – <93% | 95.3 – <98.1% |
| C | 66.3 – <81.3% | 55 – <75% | 71 – <84% | 91.5 – <95.3% |
| D | <66.3% أو ≥99.3% | <55% أو ≥98% | <71% أو ≥99% | <91.5% أو ≥99.8% |
مثال على بيانات تاريخية متعددة النتائج
يمكن أن تختلف معدلات الدقة التي تتوافق مع كل درجة أيضاً عندما تتوقع أكثر من نتيجتين. لنفترض أن نموذجك يتوقع أكثر من خيارين للتسليم: مبكراً، أو في الوقت المحدد أو متأخراً.
تتغير نطاقات الدقة لكل درجة عندما تتغير معدلاتك التاريخية في الوقت المحدد.
| التصنيف | مبكراً (33.3%) | مبكراً (20%) | مبكراً (10%) |
|---|---|---|---|
| في الوقت المحدد (33.3%) | في الوقت المحدد (40%) | في الوقت المحدد (80%) | |
| متأخراً (33.4%) | متأخراً (40%) | متأخراً (10%) | |
| A | 86.7 – <98.7% | 87.2 – <98.7% | 93.2 – <99.3% |
| B | 66.7 – <86.7% | 68.0 – <87.2% | 83.0 – <93.2% |
| C | 40.0 – <66.7% | 42.4 – <68.0% | 69.4 – <83.0% |
| D | 33.3 – <40.0% | 36.0 – <42.4% | 66.0 – <69.4% |
مثال حول التنبؤ العددي
بالنسبة للتنبؤ العددي، يستخدم AI Builder مقياس R-squared الإحصائي لحساب درجة دقة النماذج. يعرض الجدول التالي الدرجات التي تتوافق مع كل درجة:
| التصنيف | R-squared |
|---|---|
| A | 85% - <99% |
| B | 60% - <85% |
| C | 10% - <60% |
| D | ≥99% أو <10% |
تفاصيل الأداء
للحصول على تفاصيل التدريب، حدد مشاهدة التفاصيل في مربع درجة النموذج. في علامة التبويب الأداء، تتوفر المعلومات التالية:
ملاحظة
للحصول على معلومات حول الميزات الإضافية المخطط لها لهذه المنطقة، راجع خطط الإصدار.
- درجة الدقة
- R-squared
درجة الدقة
يحسب AI Builder درجة الدقة لنموذجك بناءً على نتيجة التنبؤ لمجموعة بيانات الاختبار. قبل التدريب، يفصل AI Builder مجموعة البيانات الخاصة بك إلى بيانات تدريب منفصلة ومجموعات بيانات اختبار. وبعد التدريب، يقوم AI Builder بتطبيق نموذج الذكاء الاصطناعي الخاص بك على مجموعة بيانات الاختبار، ثم يحسب درجة دقتك. على سبيل المثال: إذا كانت مجموعة بيانات الاختبار الخاصة بك تحتوي على 200 صف، ويتنبأ AI Builder بشكل صحيح بـ 192 صفاً منها، فسيعرض AI Builder درجة دقة 96 بالمائة.
لمزيد من المعلومات، راجع تقييم نموذجك.
الجذر التربيعي
بالنسبة للتنبؤ العددي ، يقوم AI Builder بحساب نتيجة r-squared بعد كل تدريب. تقيس هذه النتيجة "ملاءمة نموذجك"، وتُستخدم لتحديد درجة أداء نموذجك.
لنفترض أنك تتنبأ بعدد الأيام لتنفيذ الطلب وشحنه وتسليمه. يتنبأ النموذج بمجموعة من الأرقام. تعتمد قيمة r-squared على المسافات بين القيم المتوقعة والقيم الفعلية في بيانات التدريب الخاصة بك. يتم التعبير عن هذا كرقم بين 0 - 100%، مع وجود قيم أعلى تشير إلى أن القيمة المتوقعة أقرب إلى القيمة الحقيقية. عادةً ما تعني الدرجة الأعلى أن النموذج يؤدي أداءً أفضل. تذكر مع ذلك، أن الدرجات المثالية أو شبه المثالية (نماذج مبالغ في ملاءمتها) تشير عادةً إلى مشكلة في بيانات التدريب الخاصة بك.
في علامة التبويب ملخص، تتوفر معلومات الأداء التالية:
- تاريخ التدريب
- Data source
- النتيجة السابقة
- تستخدم قائمة الجدول للقيام بالتنبؤ.
تحسين أداء نموذج التنبؤ الخاص بك
بعد انتهائك من التدريب وتقييم نموذجك، حان الوقت لتعديل النموذج لتحسين أدائه. فيما يلي بعض الأشياء التي يمكنك تجربتها للمساعدة في تحسين القدرة التنبؤية لنموذجك.
مراجعة الأخطاء والمشكلات
- إذا كانت هناك أي أخطاء بعد الانتهاء من التدريب، قم بإصلاحها وإعادة التدريب على النموذج.
- إذا لم تكن هناك أخطاء، فتحقق من تفاصيل التدريب. حاول معالجة أكبر عدد ممكن من المشكلات، ثم أعد التدريب على النموذج.
مراجعة أهم المؤثرين
بعد كل تدريب، تظهر قائمة بأهم المؤثرين في صفحة تفاصيل النموذج. كل عمود يستخدم في التدريب لديه درجة لتمثيل تأثيره على التدريب. تتحد هذه الدرجات لتساوي 100 بالمائة.
يساعد هذا في إظهار ما إذا كان نموذجك قد تم التدريب عليه كما تتوقع. على سبيل المثال، إذا كنت تريد توقع نية المتسوقين عبر الإنترنت وكنت تتوقع أن يكون العمر والمنتج هو العمود الأكثر تأثيراً، فيجب أن ترى ذلك في قائمة الأعمدة الأكثر تأثيراً في صفحة تفاصيل النموذج. وإذا لم يكن الأمر كذلك، فقد يشير ذلك إلى أن نتيجة التدريب ليست كما هو متوقع. في هذه الحالة، يمكنك إما إلغاء تحديد الأعمدة غير الملائمة أو المضللة وإعادة التدريب على النموذج، أو التحقق من مشكلات التدريب لمعرفة المزيد من التفاصيل.
إضافة المزيد من البيانات
الحد الأدنى لمتطلبات بيانات التدريب هو 50 صفاً، لكن هذا لا يعني أن 50 صفاً من البيانات ستشكل نموذجاً تنبئياً عالياً للغاية. حاول توفير 1000 صف من البيانات أو أكثر، معنون بشكل صحيح، مع توزيع واقعي بين الخيارات.
تحقق من توزيع البيانات الخاصة بك
على سبيل المثال، إذا كنت تستخدم تصنيفين للخيارين نعم أو لا، ومعظم صفوف البيانات تحتوي فقط على نعم في هذا العمود، يصعب على نموذجك التعلم من هذه البيانات. حاول الحصول على توزيع للخيارات في بياناتك يعكس تقريباً توزيع الخيارات التي قد تتوقع رؤيتها. على سبيل المثال، إذا كنت تبحث في أعمدة البيانات لـ cat_owner وdog_owner، فاستخدم توزيع البيانات في مكان ما حوالي 50 بالمائة. إذا كنت تبحث عن معاملات احتيالية، فاستخدم توزيعاً غير متوازن - ربما 95 في المائة إلى 5 في المائة. ابحث عن معايير الصناعة لهذا النوع من المعلومات إذا كنت لا تعرف ما يمكن توقعه.
إضافة المزيد من الأعمدة
على سبيل المثال، تريد توقع العملاء الذين من المرجح أن يعودوا ويشتروا منتجاتك. يمكنك إضافة المزيد من الأعمدة لجعل بيانات التدريب أكثر ثراءً. على سبيل المثال:
- كيف يقيمون المنتج؟
- كم يستخدمون المنتج؟
- هل هم عملاء حاليون؟
تضييق الأعمدة المحددة إلى المعلومات ذات الصلة
قد يكون لديك بالفعل الكثير من بيانات التدريب المصنفة بشكل صحيح، مع العديد من أعمدة البيانات. إذن لماذا قد لا يعمل النموذج بشكل جيد؟ من المحتمل أنك تختار أعمدة تؤدي إلى انحياز غير مرغوب فيه. تأكد من أن جميع الأعمدة التي تحددها ذات صلة بالتأثير على ما تريد توقعه. قم بإلغاء تحديد الأعمدة غير الملائمة أو المضللة.
تحقق من صحة البيانات
- تأكد من عدم احتواء أعمدة البيانات على معدل مرتفع من القيم المفقودة (أكبر من 99 بالمائة). قم بتعبئة القيم المفقودة بالبيانات الافتراضية أو قم بإزالة عمود البيانات من التدريب على النموذج.
- إذا كان عمود البيانات له ارتباط كبير بنتيجة التنبؤ، فقم بإزالة عمود البيانات من التدريب الخاص بالنموذج.