- Démarrage
- Équilibre
- Clusters
- Dérive de concept
- Couverture
- Jeux de données
- Champs généraux (anciennement entités)
- Libellés (prédictions, niveaux de confiance, hiérarchie, etc.)
- Modèles
- Flux
- Évaluation du modèle
- Projets
- Précision
- Rappel
- Messages examinés et non examinés
- Sources
- Taxonomies
- Apprentissage
- Prédictions positives et négatives vraies et fausses
- Validation
- Messages
- Administration
- Gérer les sources et les jeux de données
- Comprendre la structure des données et les autorisations
- Créer une source de données dans l'interface graphique
- Téléchargement d’un fichier CSV dans une source
- Créer un nouveau jeu de données
- Sources et jeux de données multilingues
- Activation des sentiments sur un ensemble de données
- Modifier les paramètres d’un jeu de données
- Supprimer des messages via l'interface utilisateur
- Supprimer un jeu de données
- Supprimer une source
- Exporter un jeu de données
- Utilisation des intégrations Exchange
- Préparation des données en vue du téléchargement du fichier .CSV
- Entraînement et maintenance du modèle
- Comprendre les libellés, les champs généraux et les métadonnées
- Hiérarchie des libellés et bonnes pratiques
- Définition de vos objectifs de taxonomie
- Cas d'utilisation d'analyse vs d'automatisation
- Transformer vos objectifs en libellés
- Construire votre structure de taxonomie
- Meilleures pratiques de conception de taxonomie
- Importation de votre taxonomie
- Présentation du processus d'entraînement du modèle
- Annotation générative (New)
- Statut du jeu de données
- Entraînement des modèles et annotation des meilleures pratiques
- Entraînement avec l'analyse des sentiments des libellés activée
- Entraîner
- Vue d'ensemble (Overview)
- Examen des prédictions de libellé
- Entraînement à l'aide de la classification par glisser-déposer
- Entraînement à l'aide de l'option Enseigner le libellé (Explore)
- Entraînement à l'aide d'une confiance faible
- Entraînement à l'aide de la recherche (Explorer)
- Réduction et réorganisation de votre taxonomie
- Introduction à affiner
- Précision et rappel expliqués
- Précision et rappel
- Comment fonctionne la validation ?
- Comprendre et améliorer les performances du modèle
- Pourquoi un libellé peut-il avoir une précision moyenne faible ?
- Entraînement à l'aide du libellé Vérifier (Check label) et du libellé Manqué (Missed Label)
- Entraînement à l'aide du libellé En savoir plus (Affiner)
- Entraînement à l'aide de la recherche (affiner)
- Comprendre et augmenter la couverture
- Amélioration de l'équilibre et utilisation du rééquilibrage
- Quand arrêter l'entraînement de votre modèle
- Utilisation de champs généraux
- Extraction générative
- Utilisation des analyses et de la surveillance
- Automatisations et Communications Mining
- Informations de licence
- FAQ et plus encore
Activation des sentiments sur un ensemble de données
Autorisations utilisateur requises : « Administrateur des ensembles de données ».
Avant de commencer l'entraînement, vous devez choisir d'activer ou non l'analyse des sentiments lors de la création de votre ensemble de données. C'est une décision importante car elle affectera la façon dont vous annotez chaque message, ainsi que la sortie des prédictions de la plate-forme.
Si vous choisissez d'activer l'analyse des sentiments, chaque fois que vous appliquerez une étiquette, vous devrez choisir si elle a un sentiment positif ou négatif (il n'y a pas de sentiment neutre).
Cela rend le processus d'annotation légèrement plus lent. Cependant, pour des données de communications plus émotives, il fournit une indication très utile du sentiment général de chaque étiquette (c'est-à-dire si les utilisateurs sont satisfaits de X ou insatisfaits de Y).
Quand activez-vous l'analyse des sentiments ?
L'analyse des sentiments est très utile pour les données de communications plus émotives , telles que les avis et les enquêtes sur les commentaires des clients (ou des employés), ou les ticketset les discussions d'assistance, lorsque vous essayez d'avoir une idée de la satisfaction (ou de l' insatisfaction) des clients (ou des employés) concernant divers sujets.
L'analyse des sentiments n'est généralement pas recommandée pour les données de communication dont le ton est généralement neutre, telles que les boîtes aux lettres partagées pour les équipes BAU qui interagissent avec d'autres équipes ou des homologues externes (mais des exceptions peuvent exister). Dans ces types de sources de données, le sentiment n'est généralement exprimé qu'à l'opportunité, mais vous devrez attribuer un sentiment positif ou négatif à chaque libellé si il était activé.
Pour les ensembles de données plus neutres, il est généralement plus facile de capturer un sentiment avec certains libellés intrinsèquement positifs ou négatifs, tels que « Frustration » ou « Chaser », car il y a beaucoup moins de cas où le sentiment est explicite.
La façon d'activer les sentiments est expliquée dans l'article précédent ici.