使用 Cloud de Confiance 控制台查看模型效能。分析測試錯誤，透過修正資料問題，反覆提升模型品質。
本教學課程包含多個頁面：
每個頁面都假設您已執行本教學課程前幾頁的操作說明。
1. 瞭解 AutoML 模型評估結果
訓練完成後，系統會自動根據測試資料分割評估模型。在「Model Registry」頁面或「Dataset」(資料集) 頁面中，點選模型名稱，即可查看對應的評估結果。
您可以在該頁面找到評估模型成效的指標。
如要進一步瞭解不同的評估指標，請參閱「評估、測試及部署模型」一節。
2. 分析測試結果
如要繼續提升模型效能，第一步通常是檢查錯誤案例，並調查可能的原因。每個類別的評估頁面都會顯示該類別的詳細測試圖片，並分類為偽陰性、偽陽性和真陽性。如需各類別的定義，請參閱「評估、測試及部署模型」一節。
如要進一步查看每個類別下各張圖片的預測詳細資料，請點選圖片，即可存取詳細分析結果。頁面右側會顯示「Review similar images」(查看類似圖片) 面板，其中會顯示訓練集中最接近的樣本，並以特徵空間中的距離測量。
您可能需要注意兩種類型的資料問題：
標籤不一致。如果訓練集中外觀相似的樣本與測試樣本有不同的標籤，可能是其中一個標籤有誤，或細微差異需要更多資料供模型學習，或目前的類別標籤不夠準確，無法描述指定樣本。查看類似圖片有助於確保標籤資訊正確無誤，方法是修正錯誤案例，或從測試集中排除有問題的樣本。您可以在同一頁面的「Review similar images」(查看類似圖片) 面板中，輕鬆變更測試圖片或訓練圖片的標籤。
離群值。如果測試樣本標示為離群值，訓練集中可能沒有視覺上相似的樣本，可協助訓練模型。查看訓練集中的類似圖片，有助於找出這些樣本，並在訓練集中加入類似圖片，進一步提升模型在這些情況下的效能。
後續步驟
如果對模型成效感到滿意，請按照本教學課程下一頁的指示，將訓練好的 AutoML 模型部署至端點，並將圖片傳送至模型進行預測。否則，如果您對資料進行任何修正，請使用「訓練 AutoML 圖片分類模型」教學課程訓練新模型。