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

Precisión

La precisión mide la proporción de las predicciones realizadas por el modelo que fueron realmente correctas. Es decir, de todas las predicciones positivas que hizo el modelo, ¿qué proporción fueron verdaderos positivos ?

Precisión = verdaderos positivos / (verdaderos positivos + falsos positivos)

Por ejemplo, por cada 100 mensajes en un conjunto de datos predicho con la etiqueta "Solicitud de información", la precisión es el porcentaje de veces que la "Solicitud de información" se predijo correctamente del total de veces que se predijo.

Una precisión del 95 % significaría que de cada 100 mensajes previstos con una etiqueta específica, 95 se anotarían correctamente y 5 se anotarían incorrectamente (es decir, no deberían haber sido anotados con esa etiqueta).

Para obtener una explicación más detallada sobre cómo funciona la precisión, consulta aquí.

Precisión media (AP)

La puntuación media de precisión (AP) para una etiqueta individual se calcula como la media de todas las puntuaciones de precisión en cada valor de recuperación (entre 0 y 100 %) para esa etiqueta.

Básicamente, la precisión media mide el rendimiento del modelo en todos los umbrales de confianza para esa etiqueta.

Precisión media media (MAP)

La precisión media media (MAP) es una de las medidas más útiles del rendimiento general del modelo y es una manera fácil de comparar diferentes versiones del modelo entre sí.

La puntuación de MAP toma la media de la puntuación de precisión media para cada etiqueta de tu taxonomía que tenga al menos 20 ejemplos en el conjunto de entrenamiento utilizado en la validación.

Normalmente, cuanto mayor sea la puntuación de MAP, mejor será el rendimiento general del modelo , aunque este no es el único factor que debe tenerse en cuenta a la hora de entender el estado de salud de un modelo . También es importante saber que tu modelo es imparcial y tiene una alta cobertura .

Precisión media en la recuperación

La precisión media en la recuperación es otra métrica que muestra el rendimiento general del modelo. Se presenta gráficamente como una precisión en la curva de recuperación promediada sobre todas las etiquetas de tu taxonomía.
Ejemplo de precisión media en la curva de recuperación

¿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.