- 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
Predicciones positivas y negativas verdaderas y falsas
Es importante comprender estas definiciones, ya que forman una parte clave para explicar otros conceptos fundamentales del aprendizaje automático como la precisión y la recuperación.
Las siguientes definiciones se describen en el contexto de su aplicación dentro de la plataforma.
Para empezar:
- Una predicción 'positiva' es aquella en la que el modelo piensa que una etiqueta se aplica a un mensaje
- Una predicción 'negativa' es aquella en la que el modelo piensa que una etiqueta no se aplica a un mensaje
Verdaderos positivos
Un resultado positivo verdadero es aquel en el que el modelo predice correctamente que una etiqueta se aplica a un mensaje.
Verdaderos negativos
Un resultado negativo verdadero es aquel en el que el modelo predice correctamente que una etiqueta no se aplica a un mensaje.
Falsos positivos
Un resultado falso positivo es aquel en el que el modelo predice incorrectamente que una etiqueta se aplica a un mensaje, cuando en realidad no se aplica.
Falsos negativos
Un resultado falso negativo es aquel en el que el modelo predice incorrectamente que una etiqueta no se aplica a un mensaje, cuando en realidad sí se aplica.
Para entender cada uno de estos conceptos con más detalle, consulta aquí.
