Sie befinden sich hier:
Überprüfen von Einstein-Prognosen für Vermögenswertservice-Prognosen
Überprüfen Sie Batch-Datentransformationen, Modellprognosen und Kennzahlen in Einstein Studio, um besser zu verstehen, wie Ihre Daten verwendet werden und wie Ihre Modelle abschneiden.
Überprüfen und Eingrenzen Ihres Modells
- Wechseln Sie zu Einstein Studio, um auf Ihr neu erstelltes Prognosemodell zuzugreifen.
- Bewertung der Modellleistung: Überprüfen Sie die Modellkennzahlen, um die Genauigkeit und Effektivität zu verstehen. Wenn die Leistung nicht Ihren Erwartungen entspricht, müssen Sie Ihre Daten als Nächstes überprüfen.
- Sichern ausreichender Daten: AI-Modelle benötigen genügend Daten, um effektiv lernen zu können. Einstein Studio benötigt mindestens 400 Datensätze (historische Vermögenswertreparaturen), um ein Modell zu generieren.
Wenn Sie über weniger als 400 Datensätze verfügen, wechseln Sie zur Datentransformation AssetServiceActionCreation und passen Sie die Filter an, um den Datumsbereich zu erweitern, wobei Sie weitere historische Reparaturdaten abrufen.
- Verbessern der Modellqualität:
- Datenqualität ist entscheidend: Untersuchen Sie Ihre Quelldaten auf Inkonsistenzen oder Fehler, die sich auf die Modellleistung auswirken könnten.
- Optimieren von Variablen:: Erweitern Sie Ihr Modell, um bessere Ergebnisse zu erzielen, indem Sie es in Einstein Studio bearbeiten, um Variablen auszuschließen, die für Prognosen nicht erforderlich sind.
Neues Trainieren des Modells: Nachdem Sie Änderungen an Ihren Daten oder Ihrer Modellkonfiguration vorgenommen haben, führen Sie die entsprechenden Batch-Datentransformationen (Batch Data Transforms, BDTs) erneut aus, um das Modell mit den aktualisierten Informationen erneut zu trainieren.
Interpretation der Ergebnisse
Die Bewertung "Pr ognostiziert ist nachfolgend – W ahrscheinlichkeit" gibt an, wie wahrscheinlich das Ergebnis ist.
Wenn das Ergebnis für das Modell beispielsweise auf Maximieren isSubsequentLikely und die Bewertung auf 0,7 festgelegt wurde, besteht eine Wahrscheinlichkeit von 70 %, dass der Satz an Eingaben das gewünschte Ergebnis erzielt.
Binär-Klassifizierungsmodelle verfügen zudem über einen Schwellenwertparameter, mit dem Sie die Bewertung als wahr oder falsch interpretieren können.
Wenn der Schwellenwert im folgenden Beispiel auf 0,79 festgelegt wurde, ist die Bewertung 0,3 = FALSE und die Bewertung 0,79 oder größer = TRUE.
