Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Utiliser des métriques avancées dans vos analyses
La section suivante explique comment rechercher et interpréter les métriques avancées de votre modèle dans Amazon SageMaker Canvas.
Note
Les métriques avancées ne sont actuellement disponibles que pour les modèles de prédiction numériques et catégoriels.
Pour rechercher l’onglet Métriques avancées, procédez comme suit :
-
Ouvrez l'application SageMaker Canvas.
-
Dans le panneau de navigation de gauche, choisissez Mes modèles.
-
Choisissez le modèle que vous avez créé.
-
Dans le panneau de navigation supérieur, choisissez l’onglet Analyser.
-
Dans l’onglet Analyser, choisissez l’onglet Métriques avancées.
Dans l’onglet Métriques avancées, vous trouverez l’onglet Performances. La page ressemble à la capture d’écran suivante.
Dans la partie supérieure, vous pouvez voir un aperçu des scores de métriques, y compris la métrique d’optimisation, qui est la métrique que vous avez sélectionnée (ou que Canvas a sélectionnée par défaut) pour être optimisée lors de la génération du modèle.
Les sections suivantes décrivent des informations plus détaillées pour l’onglet Performances dans Métriques avancées.
Performance
Dans l’onglet Performances, vous verrez un Tableau de métriques, ainsi que des visualisations créées par Canvas en fonction de votre type de modèle. Pour les modèles de prédiction catégoriels, Canvas fournit une matrice de confusion, tandis que pour les modèles de prédiction numériques, Canvas fournit les graphiques valeurs résiduelles et densité d’erreurs.
Dans le Tableau des métriques, vous trouverez une liste complète des scores de votre modèle pour chaque métrique avancée, qui est plus complète que l’aperçu des scores en haut de la page. Les métriques présentées ici dépendent de votre type de modèle. Pour une référence qui vous aidera à comprendre et à interpréter chaque métrique, consultez Référence des métriques.
Pour comprendre les visualisations qui peuvent apparaître en fonction de votre type de modèle, consultez les options suivantes :
-
Matrice de confusion : Canvas utilise des matrices de confusion pour vous aider à visualiser quand un modèle effectue des prédictions correctement. Dans une matrice de confusion, vos résultats sont organisés de manière à comparer les valeurs prédites avec les valeurs réelles. L'exemple suivant explique le fonctionnement d'une matrice de confusion pour un modèle de prédiction à 2 catégories qui prédit les étiquettes positives et négatives :
-
Vrai positif : le modèle a correctement prédit un résultat positif lorsque l'étiquette true était positive.
-
Vrai négatif : le modèle a correctement prédit un résultat négatif lorsque l'étiquette true était négative.
-
Faux positif : le modèle n'a pas correctement prédit un résultat positif lorsque l'étiquette true était négative.
-
Faux négatif : le modèle n’a pas correctement prédit un résultat négatif lorsque l’étiquette true était positive.
-
-
Courbe de rappel de précision : la courbe de rappel de précision est une visualisation du score de précision du modèle, tracée par rapport au score de rappel du modèle. En règle générale, un modèle capable d’effectuer des prédictions parfaites aurait des scores de précision et de rappel tous les deux égaux à 1. La courbe de rappel de précision pour un modèle assez précis est assez élevée en termes de précision et de rappel.
-
Valeurs résiduelles : les valeurs résiduelles sont la différence entre les valeurs réelles et les valeurs prédites par le modèle. Un graphique des valeurs résiduelles trace les valeurs résiduelles par rapport aux valeurs correspondantes afin de représenter leur distribution et d’éventuels motifs ou valeurs aberrantes. Une distribution normale des valeurs résiduelles autour de zéro indique que le modèle est bien adapté aux données. Toutefois, si les valeurs résiduelles sont fortement asymétriques ou présentent des valeurs aberrantes, cela peut indiquer que le modèle surajuste les données ou que d’autres problèmes doivent être pris en considération.
-
Densité d’erreurs : un graphique de densité d’erreurs est une représentation de la distribution des erreurs commises par un modèle. Il indique la densité de probabilité des erreurs à chaque point, ce qui vous aide à identifier les domaines dans lesquels le modèle est susceptible de surajuster ou de commettre des erreurs systématiques.
