使用 Google Cloud 控制台查看模型效能。分析測試錯誤，修正資料問題，反覆提升模型品質。
本教學課程包含多個頁面：
各頁面都假設您已按照本教學課程先前頁面的操作說明執行。
1. 瞭解 AutoML 模型評估結果
訓練完成後，系統會自動根據測試資料分割區評估模型。如要查看對應的評估結果，請在「Model Registry」(模型登錄) 頁面或「Dataset」(資料集) 頁面中，按一下模型名稱。
您可以在這裡找到評估模型成效的指標。
如要進一步瞭解各種評估指標，請參閱「評估、測試及部署模型」一節。
2. 分析測試結果
如要繼續提升模型效能，通常第一步是檢查錯誤案例，並調查可能原因。每個類別的評估頁面都會顯示詳細的測試圖片，並將特定類別歸類為偽陰性、偽陽性和真陽性。如要瞭解各類別的定義，請參閱「評估、測試及部署模型」一節。
點選每個類別下方的圖片，即可進一步查看預測詳細資料，並存取詳細分析結果。頁面右側會顯示「查看類似圖片」面板，其中會呈現訓練集最接近的樣本，並以特徵空間中測量的距離表示。
您可能需要注意以下兩種資料問題：
標籤不一致。如果訓練集中有與測試樣本相似的樣本，但標籤不同，可能是其中一個標籤有誤，或是細微差異需要更多資料供模型學習，也可能是目前的類別標籤不夠準確，無法描述指定樣本。查看類似圖片有助於修正錯誤案例，或從測試集中排除有問題的樣本，確保標籤資訊正確無誤。您可以在同一頁面的「查看類似圖片」面板中，輕鬆變更測試圖片或訓練圖片的標籤。
離群值。如果測試樣本標示為離群值，訓練集中可能沒有視覺上相似的樣本，因此無法協助訓練模型。查看訓練集中的類似圖片，有助於找出這些樣本，並將類似圖片新增至訓練集，進一步提升模型在這些情況下的效能。
後續步驟
如果對模型效能感到滿意，請按照本教學課程的下一頁說明，將訓練好的 AutoML 模型部署至端點，並將圖片傳送至模型進行預測。否則，如果對資料進行任何修正，請使用「訓練 AutoML 圖片分類模型」教學課程訓練新模型。