communications-mining
latest
false
Wichtig :
Dieser Inhalt wurde maschinell übersetzt.
Communications Mining-Benutzerhandbuch
Last updated 7. Nov. 2024

Präzision

Die Genauigkeit misst den Anteil der Vorhersagen des Modells, die tatsächlich richtig waren. Das heißt, welcher Anteil aller positiven Vorhersagen, die das Modell gemacht hat, waren wirklich positiv.

Genauigkeit = True Positives /(True Positives + False Positives)

Beispiel: Für alle 100 Nachrichten in einem Dataset, für die die Beschriftung „Informationsanforderung“ vorhergesagt wird, ist die Genauigkeit der Prozentsatz, wie oft die „Informationsanforderung“ korrekt vorhergesagt wurde.

Eine Genauigkeit von 95 % würde bedeuten, dass von 100 Nachrichten, für die eine bestimmte Beschriftung vorhergesagt wird, 95  korrekt und 5 false annotiert würden (d. h. sie hätten nicht mit dieser Beschriftung annotiert werden dürfen).

Eine detailliertere Erklärung der Funktionsweise von Präzision finden Sie hier.

Durchschnittliche Genauigkeit (AP)

Die durchschnittliche Präzisionspunktzahl (AP) für eine einzelne Bezeichnung wird als Durchschnitt aller Präzisionsbewertungen bei jedem Rückrufwert (zwischen 0 und 100 %) für diese Bezeichnung berechnet.

Im Wesentlichen misst die durchschnittliche Genauigkeit, wie gut das Modell über alle Konfidenzschwellenwerte für diese Bezeichnung hinweg funktioniert.

Mittlere durchschnittliche Präzision (MAP)

Die mittlere Durchschnittspräzision (MAP) ist eines der nützlichsten Maß für die Gesamtleistung des Modells und eine einfache Möglichkeit, verschiedene Modellversionen miteinander zu vergleichen.

Die MAP- Punktzahl ist der Mittelwert der durchschnittlichen Präzisionspunktzahl für jede Bezeichnung in Ihrer Taxonomie , die mindestens 20 Beispiele im Trainingssatz enthält,der in der Validierung verwendet wird.

In der Regel ist die Gesamtleistung des Modells umso besser, je höher die MAP-Punktzahl ist. Dies ist jedoch nicht der einzige Faktor, der berücksichtigt werden sollte, wenn ein Modell in Ordnung ist. Sie sollten auch wissen, dass Ihr Modell unvoreingenommen ist und eine hohe Abdeckung bietet.

Mittlere Genauigkeit bei Erinnerung

Die mittlere Präzision beim Rückruf ist eine weitere Metrik, die die Gesamtleistung des Modells anzeigt. Sie wird grafisch als eine Präzision bei der Rückruf-Kurve dargestellt, die über alle Bezeichnungen in Ihrer Taxonomie gemittelt wird.
Beispiel für die mittlere Genauigkeit bei der Rückruf-Kurve

War diese Seite hilfreich?

Hilfe erhalten
RPA lernen – Automatisierungskurse
UiPath Community-Forum
Uipath Logo White
Vertrauen und Sicherheit
© 2005–2024 UiPath. Alle Rechte vorbehalten