אפליקציית חזוי

הצעד הראשון הוא ליצור מודל. יצירת המודל עוזר לנו בתחזיות נוספות. אין צורך ליצור קוד ספציפי לתחזיות ואין צורך לשלוט בתשתית כלשהי. כל האפשרויות הללו מוצגות בממשק כך שקל להבין ולנווט בפלטפורמה. מגוון הדמיית התוצאות מאפשר לבחור את שיטות האימון הטובות ביותר ולקבל את תוצאת החיזוי הטובה ביותר. סכמת ארכיטקטורת המערכת: אפשרות דגימה על מנת לבצע הערכה אמינה של הביצועים עבור מודל למידת המכונה הנבחר, המשתמש יכול לבחור בין מספר טכניקות אימות משולבות וטכניקות דגימה. דגימה רציפה מפצלת סט נתונים לשני חלקים. אתה יכול לבחור פרופורציה של מערך הנתונים שישמש לאימון. שאר הנתונים ישמשו לבדיקת ביצועי המודל. הבחירה נעשית בסדר רציף כלומר, חלק ההדרכה יילקח מתחילת הקובץ. דגימה אקראית מפצלת את מערך הנתונים לשני חלקים. אתה יכול לבחור פרופורציה של מערך הנתונים שישמש לאימון. שאר הנתונים ישמשו לבדיקת ביצועי המודל. ההבדל עם אפשרות הרצף מבוסס על העובדה שהבחירה של חלק האימון (שורות ספציפיות ממערך הנתונים) נעשית באופן אקראי, כלומר אתה יכול לקבל ערכות אימון שונות בכל פעם שאתה מיישם אפשרות זו. אימות צולב K-fold: האלגוריתם מפצל את הקובץ ל-k חלקים שאינם חופפים בגודל שווה. כל חלק משמש בתורו כסט אימות בעוד שאר הנתונים משמשים לאימון. התוצאות של כל שלב אימות מצטברות יחד כדי ליצור מדד ביצועים סופי.
אימות צולב של Bootstrap: האלגוריתם מבצע דגימה אקראית k פעמים ומייצר k אימון ו-k קבוצות משנה לאימות. כל חלק משמש בתורו לביצוע הדרכה ואימות של המודל המאומן. התוצאות המופקות בכל שלב אימות מצטברות יחד כדי ליצור את מדד הביצועים הסופי. דגימה רציפה: נתוני אימון נבחרים מתחילת הקובץ.
דגימה אקראית: נתוני אימון נבחרים באופן אקראי על פני קובץ.
אימות צולב כפול K: הקובץ מפוצל ל-k קבוצות משנה בגודל שווה, כל אחת משמשת להדרכה בתורה.
Bootstrap: k דגימות אקראיות בלתי תלויות עבור k קבוצות אימון ואימות, כל אחת בשימוש בתורה.
קנה המידה האופקי הוא דרך להגדיר פרופורציה של מערך ההדרכה בהשוואה לכל הגודל של מערך הנתונים כאשר הוא ישים. קנה מידה אופקי - הפרדת הקובץ לשני חלקים. ערכת הדרכה - חלק ממערך הנתונים, אשר ישמש לאימון מודלים. ערכת הערכה - חלק ממערך הנתונים, אשר ישמש להערכה. סטטיסטיקת ביצועים של סטודיו למודלים מספקת מידע מפורט על כל אלגוריתם שנבחר לאימון בהתבסס על התוצאות שהושגו במהלך תהליך האימות. מדדים שונים מאפשרים להעריך ביצועים ולבחור התאמה אופטימלית של מודל למקרי שימוש או נתונים ספציפיים. ניתוח סטטיסטי של התפלגות ההסתברות עבור תוויות המחלקות החזויות מאפשר למשתמשים לקבל הבנה טובה יותר של רמת האמון האופטימלית הנדרשת לקבלת החלטות לגבי הקצאת תוויות. מידע טקסטואלי וחזותי מסופק על מנת להסיק מסקנות לגבי התפלגות מספרי החיזוי הנכונים עבור כל סף. בנוסף לייצוג טבלאי, התרשימים מסופקים כדי להמחיש התפלגות זו, כמו גם כמה מהמדדים הנפוצים לאותה מטרה (קולמוגורוב-סמירנוב, עילוי, ג’יני וכו’). בנוסף, ניתן ליצור טבלת בלבול עבור כל רמת סף. סטודיו חיזוי לאחר השלמת תהליך היצירה וההדרכה של כוונון המודל וניתוח הביצועים מראה תוצאות מקובלות, המשתמש יכול לשמור מודל זה ולהשתמש בו לצורך חיזוי בקובץ הנתונים החדש מאוחר יותר. בממשק, המשתמש יכול לבחור מודל, להעלות קובץ מאותו מבנה ששימש לאימון, להחיל מודל חיזוי על הנתונים ובסופו של דבר לסקור ולהוריד תוצאות.
,
,
,
,
,
,