Analisis visual mengubah data dan hasil yang kompleks menjadi grafik serta bagan yang intuitif, memungkinkan akses cepat ke informasi utama, identifikasi tren, dan pengambilan keputusan yang lebih efisien. Topik ini menjelaskan dua alat analisis visual dalam Machine Learning Designer: dasbor dan TensorBoard.
Ikhtisar
Dasbor dan TensorBoard adalah alat visualisasi terkemuka untuk analisis data dan pembelajaran mesin, masing-masing cocok untuk skenario berbeda:
Item Perbandingan | Dasbor | TensorBoard |
Tujuan | Digunakan untuk memvisualisasikan data bisnis. Cocok untuk menampilkan hasil analisis data, metrik bisnis, dan pemantauan data real-time. | Digunakan untuk memvisualisasikan proses pelatihan model pembelajaran mesin, membantu pengembang dalam memahami, men-debug, dan mengoptimalkan model. |
Fitur | Menyediakan berbagai jenis bagan dan antarmuka seret-dan-lepas, memungkinkan pengguna membuat dasbor data interaktif dan visual yang menarik. | Mencakup alat untuk memvisualisasikan kurva fungsi loss, kurva akurasi, struktur model, distribusi parameter, dan perubahan tingkat pembelajaran. |
Skema aplikasi | Analisis data tingkat perusahaan, pemantauan operasional, dan pelaporan bisnis. | Pemantauan pelatihan model deep learning, analisis kinerja model, dan perbandingan eksperimen. |
Komponen yang didukung |
|
|
Penggunaan |
Lihat laporan analisis pada dasbor
Buat pipeline dan jalankan. Setelah berhasil:
Untuk melihat semua komponen visual, klik ikon
di atas kanvas. Ini menampilkan representasi visual dari semua komponen dalam pipeline saat ini yang mendukung dasbor. Sebagai contoh, template preset Prediksi Penyakit Jantung digunakan.
Untuk melihat komponen visual tunggal, klik kanan komponen yang mendukung dasbor analitik visual (seperti Matriks Konfusi atau Evaluasi Klasifikasi Biner dalam contoh ini), lalu pilih Visual Analysis.
Lihat hasil pelatihan model pada TensorBoard
Buat pipeline dengan komponen yang mendukung TensorBoard. Untuk daftar komponen yang didukung, lihat Ikhtisar. Disarankan untuk mengatur jalur Data Storage selama pembuatan. TensorBoard merender jalur berdasarkan logika algoritma, dan sistem secara otomatis mendapatkan jalur penyimpanan data saat memulai TensorBoard.
Konfigurasikan komponen sesuai kebutuhan, lalu jalankan pipeline.
CatatanJika menggunakan komponen visualisasi TensorBoard object detection (easycv), pastikan parameter Model Type disetel ke YOLOX, karena hanya model YOLOX yang saat ini mendukung pengumpulan metrik TensorBoard.
Setelah eksekusi berhasil, klik kanan komponen visualisasi TensorBoard dan pilih View TensorBoard.
Klik Start TensorBoard.
Jika jalur Data Storage telah berubah, klik kanan komponen visualisasi TensorBoard dan pilih Run Current Node. Kemudian, mulai ulang TensorBoard dan sistem akan menghapus instance TensorBoard yang sedang berjalan sebelum memulai yang baru berdasarkan jalur penyimpanan yang diperbarui.
