模型训练

操作步骤

1. 在自动学习页面，单击创建成功的项目名称，进入“数据标注”页面，完成“标签列”和“标签列数据类型”的选择。
2. 在“数据标注”页面下方，单击“训练”，在弹出的“训练设置”对话框中，选择训练使用的“计算规格”，单击“下一步”进入配置页，确认规格后单击“提交”开始模型训练。

   预测分析类型的自动学习，只支持使用“自动学习专用实例CPU（8U）”训练模型。

   训练时间相对较长，建议您耐心等待。如果关闭或退出此页面，系统仍然在执行训练操作。

3. 在“模型训练”页签中，待训练状态由“运行中”变为“已完成”，即完成模型的自动训练。
   图1 运行成功
   
4. 训练完成后，您可以在界面中查看训练详情，如“标签列”和“标签列数据类型”、“准确率”、“评估结果”等。

   该示例为二分类的离散型数值，评估效果参数说明请参见表1。

   不同类型标签列数据产生的评估结果结果说明请参见评估结果说明。

同一个自动学习项目可以训练多次，每次训练生成一个版本。如第一次训练版本号为“V001（xxx）”，下一个版本为“V002（xxx）”。基于训练版本可以对训练模型进行管理。当训练的模型达到目标后，再执行部署上线的操作。

评估结果说明

根据训练数据类的不同评估结果会包含不同的指标。

• 离散值评估结果

  包含评估指标为召回率（Recall）、精确率（Precision）、准确率（Accuracy）与F1值（F1 Score）。下表为具体说明：

  表1 离散值评估结果包含指标说明

  参数	说明
  召回率	被用户标注为某个分类的所有样本中，模型正确预测为该分类的样本比率，反映模型对正样本的识别能力。
  精确率	被模型预测为某个分类的所有样本中，模型正确预测的样本比率，反映模型对负样本的区分能力。
  准确率	所有样本中，模型正确预测的样本比率，反映模型对样本整体的识别能力。
  F1值	F1值是模型精确率和召回率的加权调和平均，用于评价模型的好坏，当F1较高时说明模型效果较好。

• 连续数值评估结果

  包含评估指标为平均绝对误差（Mean Absolute Error）、均方误差（Mean Squared Error）与均方根误差（Root Mean Squared Error）。三个误差值能够表征真实值和预测值之间的差距。在多次建模的过程中，每一次建模结果都会产生一组误差值，评判一个模型好坏的方法就是看这三个误差值是否变小或者变大，误差值越小表示模型越好。