在 AutoML 表格分类模型完成训练后,创建一个端点并将模型部署到该端点。将模型部署到这个新端点后,请通过请求预测来测试您的模型。
加载模型
当您的模型完成训练后,模型标签页中会列出该模型。
在 Google Cloud Console 的 Vertex AI 部分中,转到模型页面。
在模型列表中,点击您之前创建的经过训练的模型的名称
模型会整理为多个版本。点击模型版本号 1。
评估模型
评估面板可帮助您了解模型针对测试集的表现。完成后,请继续执行本教程的下一部分。
评估指标
可选。将指针悬停在 ?
图标上可了解每个评估指标。
可选。移动置信度阈值滑块可查看精确率、召回率和 F1 得分受到的影响。
混淆矩阵
混淆矩阵展示了预测与测试集(标准答案)的对比情况。
回想一下前文,标签“1”为负类别(客户未注册定期存款),“2”为正类别。模型对负类别的预测效果可能要好于正类别。借助更多的训练时间、更多的数据或更多特征,您也许可以提升正类别的预测性能。
特征重要性
特征重要性展示了每个特征对模型训练的影响程度:值越大,影响力就越大。
模型可能表明时长(银行与客户之间的最近沟通的持续时间,以秒为单位)对预测结果非常重要。
将模型部署到端点
如需测试模型或进行在线预测,您需要将其部署到端点。
打开部署和测试面板。
在部署模型 (Deploy your model) 下,点击部署到端点。
输入
Structured_AutoML_Tutorial
作为端点名称。点击继续。
将最小计算节点保持为
1
且不要输入最大值。选择
n1-standard-2
机器类型。点击继续。
为此端点关闭模型监控。
点击部署以创建端点并将模型部署到该端点。
模型部署大约需要 5 分钟时间。端点准备就绪后,请继续执行本教程的下一部分操作。
请求预测
现在您的模型已部署到端点,接下来可以发送预测请求。您可以在此页面上测试模型,而不是通过 API 或 gcloud 发送请求。
在测试模型部分,您将看到一个预填充的值列。您可以使用这些值,也可以输入新值。
在该部分的底部,按预测。
对于此模型,预测结果
1
表示负结果 - 存款并未存入银行。预测结果2
表示正结果 - 存款存入银行。模型会返回置信度分数,即模型确定所选标签是正确标签的级别。默认值可能会返回高置信度分数。
可选。尝试将时长更改为更大的值,然后再次按“预测”。