Cobertura

Cobertura es un término utilizado con frecuencia en el aprendizaje automático (ML) y se refiere a lo bien que un modelo cubre los datos que utilizó 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 la página 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 con otras etiquetas. Las etiquetas que siempre se asignan con otra etiqueta se ponderan hacia abajo cuando se calcula la puntuación. Por ejemplo, etiquetas principales que nunca se asignan por sí solas, o Urgente, si siempre se asigna con otra etiqueta.

El siguiente visual muestra cómo se vería la cobertura baja frente a la 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 comprender 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 debes tenerlo en cuenta 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 que 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, la cobertura de tu modelo que calcula la plataforma no será fiable.

Que tu modelo tenga una alta cobertura es particularmente 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 Comprender y mejorar el rendimiento del modelo.