«

»

Φεβ 17

Modele d`auto

Auto Model vous aide non seulement à obtenir des résultats; il vous aide également à comprendre ces résultats. L`apprentissage profond est notoire pour créer des modèles précis mais non intuitifs; témoin de la description du modèle affiché sous apprentissage profond > modèle. Dans ce qui suit, nous explorerons le modèle d`apprentissage profond, en utilisant des interfaces utilisateur utiles fournies par auto Model. Un EpoxyController normal ne dicte pas d`où proviennent les données utilisées pour construire ses modèles. Cela le rend flexible, mais peut également nécessiter une surcharge supplémentaire dans le passage et le stockage des données, ou encourager de mauvais modèles architecturaux. Un Handler est utilisé car epoxy doit être en mesure de travailler facilement avec le thread principal comme valeur par défaut. En outre, epoxy ne prend pas en charge la construction de modèle parallèle, et un Handler applique cette méthode avec son comportement de bouclage simple thread. Pour ce faire, appelez Setfilterdoublons (true). Lorsque cette option est activée, epoxy recherchera des modèles avec des identifiants dupliqués ajoutés au cours de buildModels et supprimera les doublons trouvés. Si des modèles avec le même ID sont trouvés, le premier modèle est laissé dans l`adaptateur et les modèles suivants sont supprimés.

Onexceptionavalé sera appelé pour chaque doublon supprimé. Cela peut être utile si vos modèles sont créés via des données fournies par le serveur, auquel cas le serveur peut envoyer par erreur des éléments dupliqués. Alternativement, si votre ID de modèle s`appuie sur le hachage (par exemple, tous les ID de chaîne, ou plusieurs numéros d`identification), il y a une (extrêmement) petite chance de collisions de hachage que vous voudrez peut-être protéger contre. Pour en savoir plus sur la façon de commencer avec RapidMiner auto Model, consultez notre page RapidMiner Studio. Pas toutes vos colonnes de données vous aideront à faire une prédiction. En rejetant certaines colonnes de données, vous pouvez accélérer votre modèle et/ou améliorer ses performances. Mais comment prendre cette décision? Un point clé est que vous êtes à la recherche de modèles. Sans une certaine variation des données et des schémas discernables, les données ne sont pas susceptibles d`être utiles. Il s`agit d`une erreur pour les intercepteurs de modifier la liste, ou tous les modèles de celui-ci, après que la méthode d`interception est retournée.

Cela peut être utile pour les cas où les modèles doivent être utilisés dans l`agrégat, tels que le basculement des séparateurs. Un autre cas utile est la modification de modèles pour une expérience A/B. Pour que le contrôleur fonctionne correctement, epoxy s`attend à ce que les modèles obéissent à deux règles importantes: auto Model vous aide non seulement à obtenir des résultats; il vous aide également à comprendre ces résultats, même pour des modèles tels que l`apprentissage profond où la logique interne peut être difficile à comprendre. Dans RapidMiner Studio, le modèle automatique apparaît en tant que vue, en regard de la vue conception, de la vue résultats et de la fonction Turbo PREP. Le modèle automatique récapitule la situation avec une bulle d`État codée en couleur (rouge/jaune/vert). En règle générale, il est judicieux de désélectionner au moins les colonnes qui ont une bulle d`état rouge, mais bien sûr vous pouvez désélectionner toutes les colonnes que vous aimez, indépendamment de leur statut. L`entrée pour le modèle machine learning n`inclut que les colonnes sélectionnées. Vous devez spécifier manuellement un ID pour chaque modèle construit de cette façon. Après avoir démarré le modèle automatique, la première étape consiste à sélectionner un ensemble de données à partir de l`un de vos référentiels. Si vos données ne sont pas dans un référentiel, cliquez sur le lien en haut de l`écran où il est dit «importer de nouvelles données d`abord». Cet ajout implicite peut être une belle façon de supprimer réutilisable si vous avez de nombreux modèles automatiques. Voici un exemple de la façon dont il serait regarder si nous avons mis à jour l`exemple de code ci-dessus pour utiliser l`ajout implicite: diffusion des résultats, en disant quels changements d`élément ont été détectés et notifiés.

La vérification est utile pour valider que vos modifications de données ont les mises à jour de vue recycleur attendues. Les écarts peuvent indiquer une configuration incorrecte avec votre état de modèle, des problèmes avec les ID de modèle ou d`autres bogues généraux dans votre implémentation de buildModels.


by Bliss Drive Review