- 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
Training mit der Bezeichnung „Teach“ (Verfeinern)
Benutzerberechtigungen erforderlich: „Quellen anzeigen“ UND „Überprüfen und Kommentieren“
Weitere Informationen finden Sie auf der Seite Bezeichnung überprüfen und Fehlende Bezeichnung .
Wenn Sie eine Bezeichnung haben, die Schwierigkeiten mit der genauen Vorhersage hat, und Sie mit der Konsistenz der bereits angehefteten Beispiele zufrieden sind (wie im vorherigen Artikel erläutert), dann müssen Sie das Modell wahrscheinlich mit abwechslungsreicheren (und konsistent) Trainingsbeispiele.
Die Plattform schlägt diesen Modus in der Regel als empfohlene Aktion für Bezeichnungen vor, die unter den Modellbewertungsfaktoren am meisten davon profitieren würden, sowie in den empfohlenen Aktionen für bestimmte Bezeichnungen, die Sie in der Validierung auswählen können.
Die beste Methode, um die Plattform in den Fällen zu trainieren, in denen sie Schwierigkeiten hat vorherzusagen, ob eine Bezeichnung zutrifft oder nicht, ist die Verwendung von „ Teach“ für nicht überprüfte Nachrichten.
Da dieser Modus Ihnen Vorhersagen für eine Beschriftung mit Konfidenzwerten anzeigt, die von 50 % (oder 66 % bei einem stimmungsfähigen Dataset) nach oben reichen, werden durch das Akzeptieren oder Korrigieren dieser Vorhersagen viel stärkere Trainingssignaturen an das Modell gesendet, als wenn Sie es täten um Vorhersagen mit Konfidenzwerten von 90 % oder mehr zu akzeptieren. Auf diese Weise können Sie die Leistung einer Bezeichnung schnell verbessern, indem Sie verschiedene Trainingsbeispiele zur Verfügung stellen, bei denen die Plattform sich zuvor nicht sicher war.
Der tatsächliche Prozess der Anmerkung in diesem Modus wird in der Erkundungsphase erläutert .
