communications-mining
latest
false
Importante :
Este contenido se ha traducido mediante traducción automática.
Guía de usuario de Communications Mining
Last updated 3 de oct. de 2024

Introducción a Refinar


docs image

La tercera fase, y el paso final del proceso de entrenamiento, se llama ' Perfeccionar'. El propósito de esta etapa es comprender el rendimiento de tu modelo y refinarlo hasta que funcione según lo requerido. Esto implica mejorar las etiquetas específicas que no funcionan como se espera, garantizar que se han capturado todos los conceptos de etiqueta relevantes y asegurarse de que los datos de entrenamiento sean una representación equilibrada del conjunto de datos en su conjunto.

La plataforma está diseñada para ser completamente transparente para los usuarios en lo que respecta al rendimiento del modelo, y muy flexible cuando se trata de mejorar el rendimiento en las áreas que lo requieren. Para cualquier caso de uso, querrás estar seguro de que tu modelo captura una representación precisa de lo que hay en tu conjunto de datos, y esta fase del entrenamiento ayuda a garantizar que puedas hacerlo.

Esta sección de la Base de conocimientos cubrirá en detalle los pasos descritos a continuación, pero comenzará con explicaciones detalladas de precisión y recuperación, cómo funciona la validación y cómo comprender los diferentes aspectos del rendimiento del modelo.

Pasos clave

Revisar la calificación del modelo : este paso se trata de comprobar tu calificación del modelo en Validación y ver dónde cree la plataforma que puede haber problemas de rendimiento con tu modelo, así como orientación sobre cómo abordarlos. Esta sección incluye detalles sobre la comprensión y la mejora del rendimiento del modelo.

Refinar el rendimiento de las etiquetas : este paso consiste en realizar acciones, recomendadas por la plataforma, para mejorar el rendimiento de tus etiquetas. Estos incluyen el uso de los modos de entrenamiento 'Comprobar etiqueta' y 'Etiqueta perdida', que te ayudan a abordar posibles inconsistencias en tus anotaciones, así como el modo 'Enseñar etiqueta' (tratado con más detalle en la fase Explorar aquí)

Aumentar la cobertura : este paso ayuda a garantizar que la mayor parte posible de tu conjunto de datos esté cubierto por predicciones de etiquetas significativas.

Mejorar el equilibrio : este paso consiste en garantizar que tus datos de entrenamiento sean una representación equilibrada del conjunto de datos en su conjunto. Mejorar el equilibrio en el conjunto de datos ayuda a reducir el sesgo de anotación y a aumentar la fiabilidad de las predicciones realizadas.

¿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.