- Démarrage
- Équilibre
- Clusters
- Dérive de concept
- Couverture
- Jeux de données
- Entités (Entities)
- 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
- Exporter un jeu de données
- Utilisation des intégrations Exchange
- Préparation des données en vue du téléchargement .CSV
- Entraînement et maintenance du modèle
- Comprendre les libellés, les entités 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)
- Comprendre le statut de votre jeu de données
- Meilleures pratiques d'entraînement et de labellisation des modèles
- Entraînement avec l'analyse des sentiments des libellés activée
- Entraîner
- Vue d'ensemble (Overview)
- Examen des prédictions de libellé
- Entraînement à l'aide de « Mélanger »
- Entraînement à l'aide d'« Ensemble des libellés » (Explore)
- Entraînement à l'aide de l'option 'Faible confiance'
- Entraînement à l'aide de la recherche (Explorer)
- Réduction et réorganisation de votre taxonomie
- Introduction à 'Raffiner'
- 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 de « Vérifier le libellé » et « Libellé manquant »
- 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 de « Rééquilibrer »
- Quand arrêter l'entraînement de votre modèle
- Définition et configuration de vos entités
- Comprendre les entités
- Quelles sont les entités pré-entraînées disponibles ?
- Activation, désactivation, mise à jour et création d'entités
- Filtrage des entités
- Examiner et appliquer des entités
- Validation pour les entités
- Amélioration des performances de l'entité
- Création d'entités Regex personnalisées
- Utilisation des analyses de surveillance &
- Automatisations et Communications Mining
- FAQ et plus
Examen des prédictions de libellé
Autorisations utilisateur requises : « Afficher les sources » ET « Révision et libellé ».
Après la phase Découvrir (Discover), le modèle commencera à faire des prédictions pour de nombreux libellés de votre taxonomie.
L'objectif de la phase Explorer (Explore) est d'examiner les prédictions pour chaque libellé, de confirmer si elles sont correctes et de les corriger là où elles ne le sont pas, fournissant ainsi de nombreux exemples d'entraînement pour le modèle.
Il y a deux actions clés lors de l'examen des prédictions de libellé :
- Lorsque les prédictions sont correctes, vous devez les confirmer/accepter en cliquant simplement dessus
- Lorsqu'elles sont incorrectes, vous devez soit les ignorer/les ignorer, soit ajouter le ou les libellés corrects qui s'appliquent. Pour ajouter un libellé différent, cliquez sur le bouton « + » et saisissez-le. C'est la façon de corriger les erreurs de prédiction en ajoutant la bonne et en ne cliquant pas sur les libellés mal prédits
Les images ci-dessous montrent à quoi ressemblent les prédictions dans Communications Mining pour les données avec et sans sentiment. Le survol du libellé avec votre souris affichera également la confiance du modèle selon laquelle le libellé spécifique s’applique.
La transparence du libellé prédit fournit un indicateur visuel de la confiance du modèle. Plus la couleur est foncée, plus la confiance est élevée et vice versa :
Pour supprimer un libellé que vous avez appliqué par erreur, vous pouvez le survoler avec votre curseur et un « X » apparaîtra. Cliquez sur cette option pour supprimer l'étiquette.