- Erste Schritte
- Ausgewogenheit
- Cluster
- Konzeptabweichung
- Abdeckung
- Datasets
- Allgemeine Felder (früher Entitäten)
- Bezeichnungen (Vorhersagen, Konfidenzniveaus, Hierarchie usw.)
- Modelle
- Streams
- Modellbewertung
- Projekte
- Präzision
- Rückruf
- Überprüfte und nicht überprüfte Nachrichten
- Quellen
- Taxonomien
- Training
- „True“ und „false“ positive und negative Vorhersagen
- Validierung
- Messages
- Verwaltung
- Verwalten Sie Quellen und Datasets
- Verstehen der Datenstruktur und -berechtigungen
- Erstellen Sie eine Datenquelle in der GUI
- Hochladen einer CSV-Datei in eine Quelle
- Ein neues Dataset erstellen
- Mehrsprachige Quellen und Datasets
- Aktivieren der Stimmung für ein Dataset
- Ändern Sie die Einstellungen eines Datasets
- Löschen Sie Nachrichten über die Benutzeroberfläche
- Löschen Sie ein Dataset
- Löschen Sie eine Quelle
- Exportieren Sie ein Dataset
- Verwenden von Exchange-Integrationen
- Vorbereiten von Daten für den CSV-Upload
- Modelltraining und -wartung
- Verstehen von Beschriftungen, allgemeinen Feldern und Metadaten
- Bezeichnungshierarchie und bewährte Methode
- Definieren Ihrer Taxonomieziele
- Analyse- vs. Automatisierungsanwendungsfälle
- Konvertieren Ihrer Ziele in Bezeichnungen
- Erstellen Ihrer Taxonomiestruktur
- Best Practices für den Taxonomieentwurf
- Ihre Taxonomie wird importiert
- Übersicht über den Modelltrainingsprozess
- Generative Anmerkung (NEU)
- Der Status des Datasets
- Best Practice für Modelltraining und Anmerkungen
- Training mit aktivierter Beschriftungs-Stimmungsanalyse
- Trainieren
- Einführung in Verfeinerung
- Erläuterungen zu Präzision und Rückruf
- Präzision und Rückruf
- Wie funktioniert die Validierung?
- Verstehen und Verbessern der Modellleistung
- Warum kann eine Bezeichnung eine geringe durchschnittliche Genauigkeit haben?
- Training mit Beschriftung „Überprüfen“ und Beschriftung „Verpasst“.
- Training mit der Bezeichnung „Teach“ (Verfeinern)
- Training mit der Suche (verfeinern)
- Verstehen und Erhöhen der Abdeckung
- Verbesserung des Abgleichs und Verwendung des Abgleichs
- Wann das Training Ihres Modells beendet werden soll
- Verwenden von allgemeinen Feldern
- Generative Extraktion
- Verwenden von Analyse und Überwachung
- Automatisierungs- und Communications Mining
- Lizenzierungsinformationen
- Häufige Fragen und mehr
Überprüfen von Beschriftungsvorhersagen
Benutzerberechtigungen erforderlich: „Quellen anzeigen“ UND „Überprüfen und Kommentieren“.
Nach der Discover-Phase beginnt das Modell, Vorhersagen für viele der Bezeichnungen in Ihrer Taxonomie zu erstellen.
Der Zweck der Erkundungsphase ist es, die Vorhersagen für jede Bezeichnung zu überprüfen, um zu bestätigen, ob sie korrekt sind, und um sie zu korrigieren, wenn sie nicht korrekt sind. Dadurch werden viele weitere Trainingsbeispiele für das Modell bereitgestellt.
Beim Überprüfen von Bezeichnungsvorhersagen gibt es zwei wichtige Aktionen:
- Wenn die Vorhersagen korrekt sind, sollten Sie sie bestätigen/akzeptieren, indem Sie einfach darauf klicken
- Wenn sie falsch sind, sollten Sie sie entweder verwerfen/Ignorieren oder alternativ die richtige(n) Beschriftung(en) hinzufügen, die tatsächlich zutrifft. Um eine andere Beschriftung hinzuzufügen, klicken Sie auf die Schaltfläche „+‟ und geben Sie sie ein. Auf diese Weise können falsche Vorhersagen korrigiert werden, indem die richtige hinzugefügt wird und nicht auf falsch vorhergesagte Beschriftungen geklickt wird
Die folgenden Bilder zeigen, wie Vorhersagen in Communications Mining für Daten mit und ohne Stimmung aussehen. Wenn Sie mit der Maus auf die Beschriftung zeigen, wird auch die Konfidenz des Modells angezeigt, dass die spezifische Bezeichnung zutrifft.
Die Transparenz der vorhergesagten Beschriftung ist ein visueller Indikator für die Zuverlässigkeit des Modells. Je dunkler die Farbe, desto höher die Konfidenz und umgekehrt:
Um eine fälschlicherweise angewendete Beschriftung zu löschen , können Sie mit dem Mauszeiger darauf zeigen. Es wird ein „X“ angezeigt. Klicken Sie hier, um die Beschriftung zu entfernen.