Abdeckung

Die Abdeckung ist ein Begriff, der häufig beim Machine Learning (ML) verwendet wird und bezieht sich darauf, wie gut ein Modell die Daten abdeckt, die es zur Analyse verwendet hat. In Communications Mining™ bezieht sich dies auf den Anteil der Nachrichten im Dataset, die über informative Beschriftungsvorhersagen verfügen, und wird auf der Seite Validierung als prozentuale Punktzahl dargestellt.

Informative Beschriftungen sind solche Beschriftungen, die die Plattform als nützlich für eigenständige Beschriftungen versteht, indem die Häufigkeit betrachtet wird, mit der sie mit anderen Beschriftungen zugewiesen werden. Beschriftungen, die immer mit einer anderen Beschriftung zugewiesen sind, werden bei der Berechnung der Punktzahl nach unten gewichtet. Zum Beispiel übergeordnete Beschriftungen, die nie selbst zugewiesen werden, oder „Dringend“, wenn sie immer mit einer anderen Beschriftung zugewiesen sind.

Die folgende Abbildung zeigt, wie eine geringe bzw. hohe Abdeckung in einem gesamten Dataset aussehen würde. Stellen Sie sich vor, dass die schattierten Kreise Nachrichten sind, die informative Beschriftungsvorhersagen haben:

Als Metrik ist die Abdeckung sehr hilfreich, um nachvollziehen, ob Sie all die verschiedenen potenziellen Konzepte in Ihrem Dataset erfasst haben und ob Sie ihnen genügend vielfältige Trainingsbeispiele zur Verfügung gestellt haben, damit die Plattform sie effektiv vorhersagen kann.

In fast allen Fällen ist die Abdeckung eines Modells umso besser, je höher die Abdeckung ist. Sie sollten dies jedoch bei der Überprüfung der Modellleistung nicht isoliert berücksichtigen.

Es ist auch sehr wichtig, dass die Beschriftungen in der Taxonomie fehlerfrei sind, d. h. eine hohe durchschnittliche Genauigkeit und keine anderen Leistungswarnungen aufweisen und dass die Trainingsdaten eine ausgewogene Darstellung des Datasets als Ganzes sind.

Wenn Ihre Beschriftungen fehlerhaft sind oder die Trainingsdaten nicht repräsentativ für das Dataset sind, dann ist die Abdeckung Ihres Modells, die die Plattform berechnet, unzuverlässig.

Eine hohe Abdeckung Ihres Modells ist besonders wichtig, wenn Sie es zur Steuerung von automatisierten Prozessen verwenden.

Weitere Informationen zur Modellabdeckung und zum Überprüfen der Abdeckung Ihres Modells finden Sie unter Verstehen und Verbessern der Modellleistung.