- 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)
- Verstehen des Status Ihres 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
„True“ und „false“ positive und negative Vorhersagen
Es ist wichtig, diese Definitionen zu verstehen, da sie einen wichtigen Teil bei der Erklärung anderer grundlegender Machine Learning-Konzepte wie Präzision und Rückruf sind.
Die folgenden Definitionen werden im Kontext ihrer Anwendung innerhalb der Plattform erläutert.
Beginnen mit:
- Bei einer „positiven“ Vorhersage denkt das Modell, dass eine Beschriftung für eine Nachricht gilt
- Bei einer „negativen“ Vorhersage denkt das Modell, dass eine Beschriftung nicht für eine Nachricht gilt
Richtig positiv
Ein wirklich positives Ergebnis ist eines, bei dem das Modell korrekt vorhersagt, dass eine Beschriftung für eine Nachricht gilt.
Echte Negative
Bei einem wirklich negativen Ergebnis sagt das Modell korrekt vorher, dass eine Beschriftung nicht auf eine Nachricht zutrifft.
Falsch positiv
Ein falsch positives Ergebnis ist eines, bei dem das Modell fälschlicherweise vorhersagt, dass eine Beschriftung für eine Nachricht gilt, obwohl dies nicht zutrifft.
Falsch negative Ergebnisse
Bei einem falsch negativen Ergebnis sagt das Modell fälschlicherweise vorher, dass eine Beschriftung nicht für eine Nachricht zutrifft, obwohl sie tatsächlich zutrifft.
Um jedes dieser Konzepte genauer zu verstehen, finden Sie hier weitere Informationen.