Comparez chaque candidat de modèle, exportez-en n'importe lequel
Choisir manuellement entre Random Forest, XGBoost et plusieurs stratégies de recherche pour réseaux de neurones signifie entraîner chacun séparément et comparer les résultats. La Compétition de modèles de Data Sensors les entraîne tous simultanément sur les mêmes données de mesure, les classe par précision de validation retenue, et vous permet d'exporter n'importe quelle entrée du classement - pas seulement le gagnant - vers C, C++, Python ou MATLAB.
Entraînez plusieurs types de modèles simultanément, pas un par un
Choisissez n'importe quelle combinaison de candidats Random Forest, XGBoost et réseau de neurones, chacun avec sa propre stratégie de recherche - recherche aléatoire, recherche en grille, optimisation bayésienne (processus gaussien), ou une recherche de substitut Random Forest/XGBoost - et ils s'entraînent tous en même temps sur les mêmes canaux d'entrée/sortie. L'auto-réglage ne se limite pas aux réseaux de neurones : les candidats Random Forest et XGBoost peuvent eux aussi auto-régler leurs propres hyperparamètres, de sorte qu'une comparaison équitable et réglée ne nécessite pas de parcourir manuellement trois espaces d'hyperparamètres différents. Inutile de rouvrir la boîte de dialogue d'entraînement pour chaque candidat, de se souvenir de la dernière configuration essayée, ou de tenir un tableur de résultats à côté.
Classés par précision de validation retenue, pas au hasard
Chaque candidat est noté sur des données sur lesquelles il n'a jamais été entraîné, de sorte que le classement reflète la véritable capacité de généralisation de chaque modèle, et non simplement dans quelle mesure il a mémorisé l'ensemble d'entraînement. 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, afin que vous puissiez voir en un coup d'œil si un candidat est sous-ajusté, surajusté, ou véritablement compétitif.
Classement par RMSE de validation
Une véritable partie de test intacte pour les jeux de données plus grands
Le classement d'une liste de résultats comporte lui-même une part d'optimisme, puisqu'il sert à choisir un gagnant. Pour les jeux de données suffisamment grands pour se le permettre, Data Sensors extrait automatiquement une véritable partie de test retenue avant tout classement - jamais touchée pendant l'entraînement ou la sélection du modèle - afin que vous disposiez d'un second jeu de chiffres de précision, plus fiable, pour le modèle que vous comptez réellement déployer.
Précision de test aux côtés de la précision de validation
Exportez le gagnant - ou toute autre entrée
Le modèle le mieux classé n'est pas toujours le bon choix - peut-être qu'un Random Forest légèrement moins précis s'exécute plus vite sur votre matériel cible, ou qu'un réseau de neurones plus petit correspond mieux à votre budget mémoire flash. Chaque entrée du classement, pas seulement le gagnant, peut être exportée vers C, C++, Python ou MATLAB, en pleine précision ou quantifiée en int8, avec un aperçu en direct de la taille et de la précision avant l'enregistrement. Voir Entraînement de capteur virtuel pour entraîner directement un seul modèle, sans lancer une compétition complète.
