Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Uso dei parametri avanzati nelle analisi
La sezione seguente descrive come trovare e interpretare le metriche avanzate per il tuo modello in Amazon SageMaker Canvas.
Nota
Le metriche avanzate sono attualmente disponibili solo per modelli di previsione numerici e categorici.
Per trovare la scheda Metriche avanzate, procedi come descritto di seguito:
-
Apri l'applicazione SageMaker Canvas.
-
Nel riquadro di navigazione a sinistra scegli Modelli.
-
Scegli il modello che hai creato.
-
Nel riquadro di navigazione in alto, scegli la scheda Analizza.
-
Nella scheda Analizza, scegli la scheda Metriche avanzate.
Nella scheda Metriche avanzate, puoi trovare la scheda Prestazioni. La pagina dovrebbe essere simile allo screenshot seguente.
Nella parte superiore, puoi vedere una panoramica dei punteggi delle metriche, inclusa la metrica di ottimizzazione, ovvero la metrica che hai selezionato (o che Canvas seleziona per impostazione predefinita) per l’ottimizzazione durante la creazione del modello.
Le sezioni seguenti forniscono informazioni più dettagliate per la scheda Prestazioni in Metriche avanzate.
Performance
Nella scheda Prestazioni, vedrai una tabella Metriche, insieme alle visualizzazioni create da Canvas in base al tipo di modello. Per i modelli di previsione categorici, Canvas fornisce una matrice di confusione, mentre per i modelli di previsione numerici, Canvas fornisce residui e istogrammi di densità degli errori.
Nella tabella Metriche, viene fornito un elenco completo dei punteggi del modello per ogni metrica avanzata, più completo della panoramica dei punteggi nella parte superiore della pagina. Le metriche mostrate qui dipendono dal tipo di modello. Per un riferimento che ti aiuti a comprendere e interpretare ciascuna metrica, consulta Riferimento per le metriche.
Per comprendere le visualizzazioni che potrebbero apparire in base al tuo tipo di modello, vedi le opzioni seguenti:
-
Matrice di confusione: Canvas utilizza le matrici di confusione per mostrare più facilmente quando un modello fa previsioni corrette. In una matrice di confusione, i risultati sono disposti in modo da confrontare i valori previsti con i valori effettivi. L'esempio seguente spiega come funziona una matrice di confusione per un modello di previsione a due categorie che prevede etichette positive e negative:
-
Vero positivo: il modello ha correttamente previsto “positivo” quando l'etichetta vera era positiva.
-
Vero negativo: il modello ha correttamente previsto “negativo” quando l'etichetta vera era negativa.
-
Falso positivo: il modello ha previsto erroneamente “positivo” quando l'etichetta vera era negativa.
-
Falso negativo: il modello ha previsto erroneamente “negativo” quando l'etichetta vera era positiva.
-
-
Curva di richiamo di precisione: la curva di richiamo di precisione è una visualizzazione del punteggio di precisione del modello tracciato rispetto al punteggio di richiamo del modello. In teoria, un modello in grado di fare previsioni perfette avrebbe punteggi di precisione e di richiamo entrambi pari a 1. La curva di richiamo di precisione per un modello sufficientemente accurato è piuttosto elevata sia in termini di precisione che di richiamo.
-
Residui: i residui sono la differenza tra i valori effettivi e i valori previsti dal modello. Un grafico dei residui mostra i residui rispetto ai valori corrispondenti per visualizzarne la distribuzione ed eventuali modelli o valori anomali. Una distribuzione normale dei residui, intorno allo zero, indica che il modello è adatto ai dati. Tuttavia, se i residui sono notevolmente disallineati o presentano valori anomali, potrebbe trattarsi di overfitting dei dati del modello o di altri problemi che devono essere risolti.
-
Densità degli errori: un grafico di densità degli errori è una rappresentazione della distribuzione degli errori commessi da un modello. Mostra la densità della probabilità degli errori in ogni punto, aiutandoti a identificare le aree di overfitting del modello o soggette a errori sistematici.
