Vergleichen Sie jeden Modellkandidaten, exportieren Sie jeden davon
Zwischen Random Forest, XGBoost und mehreren Suchstrategien für neuronale Netze von Hand zu wählen bedeutet, jedes einzeln zu trainieren und Notizen zu vergleichen. Der Modellwettbewerb von Data Sensors trainiert alle gleichzeitig auf denselben Messdaten, bewertet sie nach zurückgehaltener Validierungsgenauigkeit und lässt Sie jeden Eintrag aus der Bestenliste - nicht nur den Gewinner - nach C, C++, Python oder MATLAB exportieren.
Mehrere Modelltypen gleichzeitig trainieren, nicht nacheinander
Wählen Sie eine beliebige Kombination aus Random-Forest-, XGBoost- und Neuronale-Netz-Kandidaten, jeweils mit eigener Suchstrategie - Zufallssuche, Rastersuche, Bayes-Optimierung (Gauß-Prozess) oder eine Random-Forest-/XGBoost-Surrogatsuche - und alle trainieren gleichzeitig gegen dieselben Eingangs-/Ausgangskanäle. Auto-Tuning ist nicht auf neuronale Netze beschränkt: Auch Random-Forest- und XGBoost-Kandidaten können jeweils ihre eigenen Hyperparameter automatisch optimieren, sodass ein fairer, abgestimmter Vergleich nicht bedeutet, drei unterschiedliche Hyperparameterräume von Hand durchsuchen zu müssen. Es ist nicht nötig, den Trainingsdialog für jeden Kandidaten erneut zu öffnen, sich zu merken, welche Konfiguration Sie zuletzt ausprobiert haben, oder nebenbei eine Tabelle mit Ergebnissen zu führen.
Bewertet nach zurückgehaltener Validierungsgenauigkeit, nicht nach Vermutung
Jeder Kandidat wird auf Daten bewertet, auf denen er nie trainiert hat, sodass die Bestenliste widerspiegelt, wie gut jedes Modell tatsächlich generalisiert - nicht nur, wie gut es den Trainingssatz auswendig gelernt hat. Die Bestenliste zeigt Validierungs-RMSE und R² für jeden Eintrag nebeneinander, zusammen mit Trainingszeit und einer Anpassungsdiagnose, sodass Sie auf einen Blick sehen, ob ein Kandidat unter- oder überangepasst oder tatsächlich konkurrenzfähig ist.
Nach Validierungs-RMSE bewertete Bestenliste
Ein echter, unberührter Testanteil für größere Datensätze
Die eigene Bewertung einer Bestenliste enthält einen kleinen Anteil an Optimismus, da sie zur Wahl eines Gewinners verwendet wird. Für Datensätze, die groß genug dafür sind, trennt Data Sensors automatisch einen echten, zurückgehaltenen Testanteil ab, bevor irgendeine Bewertung stattfindet - dieser wird während Training oder Modellauswahl nie berührt - sodass Sie einen zweiten, verlässlicheren Satz von Genauigkeitswerten für das Modell erhalten, das Sie tatsächlich einsetzen wollen.
Testanteil-Genauigkeit neben Validierungsgenauigkeit
Exportieren Sie den Gewinner - oder jeden anderen Eintrag
Das bestbewertete Modell ist nicht immer die richtige Wahl - vielleicht läuft ein etwas weniger genauer Random Forest schneller auf Ihrer Zielhardware, oder ein kleineres neuronales Netz passt besser in Ihr Flash-Budget. Jeder Eintrag der Bestenliste, nicht nur der Gewinner, kann nach C, C++, Python oder MATLAB exportiert werden, in voller Genauigkeit oder int8-quantisiert, mit einer Live-Vorschau von Größe und Genauigkeit vor dem Speichern. Siehe Virtuellen Sensor trainieren, um ein einzelnes Modell direkt zu trainieren, ohne einen vollständigen Wettbewerb zu starten.
