שלום נתונים טבלאיים: פריסת מודל ובקשת חיזוי

אחרי שמסיימים לאמן את מודל הסיווג הטבלאי של AutoML, צריך ליצור נקודת קצה ולפרוס את המודל בנקודת הקצה. אחרי שהמודל ייפרס בנקודת הקצה החדשה הזו, תוכלו לבדוק אותו על ידי שליחת בקשה לתחזית.

טעינת המודל

כשהאימון של המודל מסתיים, הוא מופיע בכרטיסייה מודלים.

1. במסוף Google Cloud , בקטע Vertex AI, עוברים לדף Models.

   כניסה לדף Models

2. ברשימת המודלים, לוחצים על השם של המודל המאומן שיצרתם קודם.

3. המודלים מאורגנים בגרסאות. לוחצים על מספר גרסת המודל 1.

הערכת המודל

בחלונית הערכה אפשר להבין את הביצועים של המודל בהשוואה לקבוצת נתונים לבדיקה. בסיום, ממשיכים לחלק הבא של ההדרכה.

מדדי הערכה

אופציונלי. כדי לקבל מידע על כל מדד הערכה, מעבירים את הסמן מעל הסמלים ?.

אופציונלי. מזיזים את סרגל ההזזה של סף הסמך כדי לראות איך הדיוק, ההחזרה והציונים של F1 מושפעים.

מטריצת בלבול

מטריצת הטעות מראה איך תחזית מושווית לקבוצת נתונים לבדיקה (אמת קרקע).

תזכורת: התווית '1' היא הסיווג השלילי (הלקוח לא נרשם לפיקדון לזמן קצוב) והתווית '2' היא הסיווג החיובי. סביר להניח שהמודל הצליח יותר לחזות את המחלקה השלילית מאשר את המחלקה החיובית. יכול להיות שעם זמן אימון נוסף, יותר נתונים או תכונות נוספות, תוכלו לשפר את הביצועים של החיזוי עבור הסיווג החיובי.

חשיבות התכונה

חשיבות התכונות מראה איך כל תכונה השפיעה על אימון המודל: ככל שהערך גבוה יותר, כך ההשפעה גדולה יותר.

סביר להניח שהמודל שלכם יראה שמשך הזמן (כמה זמן נמשך הקשר האחרון בין הבנק ללקוח, בשניות) תרם באופן משמעותי לתוצאת החיזוי.

פריסת המודל בנקודת קצה

כדי לבדוק מודל או ליצור תחזיות אונליין, צריך לפרוס אותו לנקודת קצה.

1. פותחים את החלונית Deploy & Test (פריסה ובדיקה).

2. בקטע Deploy your model (פריסת המודל), לוחצים על Deploy to endpoint (פריסה לנקודת קצה).

3. מזינים Structured_AutoML_Tutorial בשם נקודת הקצה.

4. לוחצים על Continue.

5. משאירים את מספר צומתי החישוב המינימלי על 1 ולא מזינים מספר מקסימלי.

6. בוחרים את סוג המכונה n1-standard-2.

7. לוחצים על Continue.

8. השבתת מעקב אחרי המודל בנקודת הקצה הזו.

9. כדי ליצור את נקודת הקצה ולפרוס את המודל בנקודת הקצה, לוחצים על Deploy.

   פריסת המודל נמשכת כ-5 דקות. כשהנקודה מוכנה, ממשיכים לחלק הבא של המדריך.

   הערה: חשוב לבטל פריסה של המודל בהמשך כדי שלא תחויבו על משאבי מחשוב נוספים. בסוף המדריך הזה נסביר איך עושים את זה.

בקשת תחזית

אחרי שהמודל נפרס לנקודת קצה, אפשר לשלוח בקשות לחיזוי. במקום לשלוח בקשה דרך ה-API או gcloud, אפשר לבדוק את המודל בדף הזה.

1. בקטע Test your model (בדיקת המודל), תופיע העמודה Value (ערך) עם ערך שמולא מראש. אפשר להשתמש בערכים האלה או להזין ערכים חדשים.

2. בתחתית הקטע, לוחצים על תחזית.

   במודל הזה, תוצאת חיזוי של 1 מייצגת תוצאה שלילית – לא מתבצעת הפקדה בבנק. תוצאת חיזוי של 2 מייצגת תוצאה חיובית – הפקדה מתבצעת בבנק.

   המודל יחזיר ציון מהימנות, שמשקף את רמת הוודאות של המודל לגבי התווית שנבחרה. ערך ברירת המחדל כנראה החזיר ציון מהימנות גבוה.

3. אופציונלי. כדאי לנסות לשנות את duration לערך גבוה בהרבה וללחוץ שוב על Predict.

המאמרים הבאים

• כדי להימנע מחיובים לא צפויים, פועלים לפי ההוראות במאמר מחיקת הפרויקט.

• מידע נוסף על הערכת מודלים

• מידע נוסף על תחזיות של מודלים