- Primeros pasos
- Equilibrio
- Clústeres
- Deriva del concepto
- Cobertura
- Conjuntos de datos
- Campos generales (anteriormente entidades)
- Etiquetas (predicciones, niveles de confianza, jerarquía, etc.)
- Modelos
- Transmisiones
- Clasificación del modelo
- Proyectos
- Precisión
- Recordar
- Mensajes revisados y no revisados
- Fuentes
- Taxonomías
- Formación
- Predicciones positivas y negativas verdaderas y falsas
- Validación
- Mensajes
- Administración
- Gestionar fuentes y conjuntos de datos
- Comprender la estructura de datos y los permisos
- Crear un origen de datos en la GUI
- Cargar un archivo CSV en un origen
- Crear un nuevo conjunto de datos
- Fuentes y conjuntos de datos multilingües
- Habilitar sentimiento en un conjunto de datos
- Modificar la configuración de un conjunto de datos
- Eliminar mensajes a través de la IU
- Eliminar un conjunto de datos
- Eliminar una fuente
- Exportar un conjunto de datos
- Uso de integraciones de Exchange
- Preparando datos para cargar archivos .CSV
- Entrenamiento y mantenimiento de modelos
- Comprender las etiquetas, los campos generales y los metadatos
- Jerarquía de etiquetas y mejores prácticas
- Definición de los objetivos de taxonomía
- Casos de uso de análisis frente a automatización
- Convertir tus objetivos en etiquetas
- Crear tu estructura de taxonomía
- Mejores prácticas de diseño de taxonomía
- Importar tu taxonomía
- Descripción general del proceso de entrenamiento del modelo
- Anotación generativa (NUEVO)
- Estado de Dastaset
- Entrenamiento de modelos y mejores prácticas de anotación
- Entrenamiento con análisis de sentimiento de etiqueta habilitado
- Entrenamiento
- Introducción a Refinar
- Explicación de la precisión y la recuperación
- Precisión y recuperación
- ¿Cómo funciona la validación?
- Comprender y mejorar el rendimiento del modelo
- ¿Por qué una etiqueta puede tener una precisión media baja?
- Entrenamiento utilizando la etiqueta Comprobar y la etiqueta Perdida
- Entrenamiento mediante la etiqueta de aprendizaje (refinar)
- Entrenamiento mediante Buscar (Refinar)
- Comprender y aumentar la cobertura
- Mejorar el equilibrio y utilizar Reequilibrar
- Cuándo dejar de entrenar tu modelo
- Uso de campos generales
- Extracción generativa
- Uso de análisis y supervisión
- Minería de automatizaciones y comunicaciones
- Información de licencia
- Preguntas frecuentes y más
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
