Compétition de modèles

Plutôt que d'entraîner un seul type de modèle en espérant que ce soit le bon choix, Lancer la compétition entraîne simultanément n'importe quelle combinaison de candidats Random Forest, XGBoost et réseau de neurones sur les mêmes canaux d'entrée/sortie - y compris l'auto-réglage pour les candidats à base d'arbres, pas seulement pour le réseau de neurones. Chaque candidat est noté sur un jeu de validation réservé sur lequel il ne s'est jamais entraîné, et le classement affiche côte à côte le RMSE et le R² de validation pour chaque entrée, ainsi que le temps d'entraînement et un diagnostic d'ajustement (sous-ajustement, surajustement, ou véritablement compétitif). Pour les jeux de données suffisamment volumineux, un second jeu de test réservé - jamais utilisé pendant l'entraînement ou la sélection du modèle - fournit un chiffre de précision plus fiable pour l'entrée que vous comptez déployer. N'importe quelle entrée du classement peut être exportée, pas seulement le gagnant - l'export vers du code nécessite toutefois une licence Virtual Sensor, alors qu'entraîner et comparer les candidats ne demande que la licence Viewer.

Tant qu'un candidat est encore en cours, le nombre affiché à côté signifie une chose différente selon la phase : la meilleure combinaison d'hyperparamètres trouvée jusqu'ici pendant la recherche, ou la progression réelle, encore en cours, de la configuration gagnante une fois le nouvel entraînement commencé. Ce nombre peut sembler brièvement pire juste au début de l'entraînement, avant de dépasser à nouveau le meilleur résultat de la phase de recherche - c'est normal, pas un recul.