communications-mining
latest
false
Importante :
Este contenido se ha traducido mediante traducción automática.
UiPath logo, featuring letters U and I in white
Guía de usuario de Communications Mining
Last updated 19 de nov. de 2024

Cobertura

La cobertura es un término que se utiliza con frecuencia en el aprendizaje automático y se refiere a lo bien que un modelo "cubre" los datos que se utilizan para analizar. En Communications Mining™, esto se relaciona con la proporción de mensajes en el conjunto de datos que tienen predicciones de etiquetas informativas, y se presenta en Validación como una puntuación porcentual.

Las "etiquetas informativas " son aquellas etiquetas que la plataforma considera útiles como etiquetas independientes, al observar la frecuencia con la que se asignan a otras etiquetas. Etiquetas que siempre se asignan con otra etiqueta, por ejemplo las etiquetas principales que nunca se asignan por sí solas o "Urgente" si siempre se asigna con otra etiqueta, se ponderan a la baja cuando se calcula la puntuación.

La siguiente imagen muestra cómo sería la cobertura baja frente a la cobertura alta en todo un conjunto de datos. Imagina que los círculos sombreados son mensajes que tienen predicciones de etiquetas informativas.



Como métrica, la cobertura es una forma muy útil de entender si has capturado todos los diferentes conceptos potenciales en tu conjunto de datos, y si has proporcionado suficientes ejemplos de entrenamiento variados para que la plataforma pueda predecirlos de forma efectiva.

En casi todos los casos, cuanto mayor sea la cobertura de un modelo, mejor será su rendimiento, pero no debe considerarse de forma aislada al comprobar el rendimiento del modelo.

También es muy importante que las etiquetas de la taxonomía sean saludables, lo que significa que tengan una precisión media alta y no tengan otras advertencias de rendimiento, y que los datos de entrenamiento sean una representación equilibrada del conjunto de datos en su conjunto.

Si tus etiquetas no son saludables o los datos de entrenamiento no son representativos del conjunto de datos, entonces la cobertura de tu modelo que calcula la plataforma no será fiable.

Que tu modelo tenga una alta cobertura es especialmente importante si lo utilizas para impulsar procesos automatizados.

Para obtener más información sobre la cobertura del modelo y cómo comprobar la cobertura de tu modelo, consulta aquí.

¿Te ha resultado útil esta página?

Obtén la ayuda que necesitas
RPA para el aprendizaje - Cursos de automatización
Foro de la comunidad UiPath
Uipath Logo White
Confianza y seguridad
© 2005-2024 UiPath. Todos los derechos reservados.