Analitik visual mengubah data dan hasil yang kompleks menjadi grafik serta bagan yang intuitif, memungkinkan Anda mengakses informasi penting dengan cepat, mengidentifikasi tren, dan membuat keputusan secara lebih efisien. Topik ini menjelaskan dua alat analitik visual di Designer: dasbor dan TensorBoard.
Pendahuluan
Dasbor dan TensorBoard adalah alat visualisasi umum yang digunakan dalam analitik data dan pembelajaran mesin. Masing-masing alat cocok untuk skenario berbeda:
|
Item perbandingan |
Dasbor |
TensorBoard |
|
Tujuan |
Digunakan untuk memvisualisasikan data bisnis. Cocok untuk menampilkan hasil analitik data, metrik bisnis, dan pemantauan data real-time. |
Digunakan untuk memvisualisasikan proses pelatihan model pembelajaran mesin. Tool ini membantu pengembang memahami, men-debug, dan mengoptimalkan model. |
|
Fitur |
Menyediakan berbagai jenis chart dan antarmuka drag-and-drop. Hal ini memungkinkan pengguna membuat dasbor data interaktif dan menarik secara visual. |
Menyertakan tool untuk memvisualisasikan kurva fungsi loss, kurva akurasi, struktur model, distribusi parameter, dan perubahan tingkat pembelajaran. |
|
Skenario |
Analitik data tingkat enterprise, pemantauan operasional, dan pelaporan bisnis. |
Pemantauan pelatihan model pembelajaran mendalam, analisis performa model, dan perbandingan eksperimen. |
|
Komponen algoritma yang didukung |
|
|
|
Penggunaan |
Lihat laporan analisis pada dasbor
Buat alur kerja dan jalankan. Setelah berhasil dieksekusi:
-
Lihat semua komponen visual: Klik
di atas kanvas untuk melihat visualisasi semua komponen dalam alur kerja saat ini yang mendukung dasbor. Topik ini menggunakan template preset Heart Disease Prediction sebagai contoh.
-
Lihat satu komponen visual: Klik kanan komponen target (komponen yang mendukung dasbor, seperti Confusion Matrix atau Binary Classification Evaluation pada contoh ini) dan pilih Visual Analysis. Hal ini akan menampilkan visualisasi untuk komponen tersebut.
Lihat hasil pelatihan model pada TensorBoard
-
Buat alur kerja yang menggunakan komponen yang mendukung TensorBoard. Untuk daftar komponen yang didukung, lihat Pendahuluan.
Saat membuat alur kerja, konfigurasikan path Pipeline Data Storage. Path yang dirender oleh TensorBoard ditentukan oleh logika algoritma. Sistem secara otomatis mengambil path penyimpanan data pipeline saat TensorBoard dimulai.
-
Konfigurasikan komponen alur kerja sesuai kebutuhan dan jalankan alur kerja tersebut.
CatatanJika komponen visualisasi TensorBoard adalah Object Detection Training (easycv), atur parameter Model Type ke YOLOX. Hanya model YOLOX yang saat ini mendukung pengumpulan metrik untuk TensorBoard.
-
Setelah berhasil dieksekusi, klik kanan komponen visualisasi TensorBoard dan pilih View TensorBoard.
-
Klik Start TensorBoard.
Jika path Pipeline Data Storage berubah, jalankan ulang komponen visualisasi TensorBoard dengan mengklik kanan node tersebut dan memilih Run This Node. Kemudian, mulai TensorBoard lagi. Sistem akan menghapus instans TensorBoard yang sedang berjalan dan memulai instans baru berdasarkan path penyimpanan yang telah diperbarui.
