Předtím, než je model převeden do produkčního prostředí, je dobré otestovat, jak dobře je schopen provádět predikce. Lze také postavit takových modelů, které odpovídají definovanému problému a připraveným datům, více, porovnat je mezi sebou a najít ten nejvhodnější.

Pokud si žádný model nevede nejlépe, je potřeba vrátit se k předchozím kroku a vytvořit jiný model, nebo předefinovat původní problém.

    5. Fáze: ověřování modelu (zdroj obrázku: Microsoft)

Příklad 1:

Máme několik odpovídajících modelů a jejich porovnáním na testovacích datech zjistíme, že nejlépe si vede Model 3: Rozhodovací strom s takovými a takovými parametry. Rozhodneme se ho použít v praxi.

Příklad 2:

Modely nejsou úplně ideální. Po prozkoumání změníme nějaké parametry modelu a vynecháme 2 vstupní atributy (myslíme si, že na nich tolik nezáleží a spíše zkreslují výsledky – třeba atribut, jestli uživatel nakupoval nejčastěji ve středu). Pro toto vytvoříme nový model, abychom ho mohli porovnat s původním a zjistit, jestli jsme uvažovali správně a model si povede lépe.

<< Předchozí            Následující>>