ixp
latest
false
UiPath logo, featuring letters U and I in white

Guide de l’utilisateur de Communications Mining

Dernière mise à jour 20 oct. 2025

Couverture

La couverture est un terme fréquemment utilisé dans l'apprentissage automatique (ML) et fait référence à la façon dont un modèle couvre les données qu'il utilise pour analyser. Dans Communications Mining™, cela est lié à la proportion de messages dans l'ensemble de données qui ont des prédictions de libellé informatives et est présenté dans la page Validation sous la forme d'un score en pourcentage.

Les libellés informatifs sont ces libellés que la plate-forme comprend comme utiles en tant que libellés autonomes, en examinant la fréquence à laquelle ils sont attribués avec d'autres libellés. Les libellés qui sont toujours attribués avec un autre libellé sont pondérés lors du calcul du score. Par exemple, les libellés parents qui ne sont jamais attribués seuls, ou Urgent, s'ils sont toujours attribués avec un autre libellé.

Le graphique suivant montre à quoi ressemblerait une couverture faible par rapport à une couverture élevée sur un ensemble de données complet. Imaginez les cercles grisés sont des messages dont les prédictions de libellé sont informatives :



La couverture est un moyen très utile de comprendre si vous avez capturé tous les différents concepts potentiels dans votre ensemble de données et si vous avez fourni suffisamment d'exemples d'entraînement variés pour eux afin que la plate-forme puisse les prédire efficacement.

Dans presque tous les cas, plus la couverture d’un modèle est élevée, meilleures sont les performances ; toutefois, vous ne devez pas le prendre en compte isolément lors de la vérification des performances du modèle.

Il est également très important que les libellés de la taxonomie soient sains, ce qui signifie qu'ils ont une précision moyenne élevée et aucun autre avertissement en matière de performances, et que les données d'entraînement sont une représentation équilibrée de l'ensemble de données dans son ensemble.

Si vos libellés sont défectueux ou si les données d’entraînement ne sont pas représentatives de l’ensemble de données, la couverture de votre modèle calculée par la plateforme ne sera pas fiable.

Votre modèle ayant une couverture élevée est particulièrement important si vous l’utilisez pour générer des processus automatisés.

Pour plus de détails sur la couverture du modèle et sur la façon de vérifier la couverture de votre modèle, consultez Comprendre et améliorer les performances du modèle.

Cette page vous a-t-elle été utile ?

Obtenez l'aide dont vous avez besoin
Formation RPA - Cours d'automatisation
Forum de la communauté UiPath
Uipath Logo
Confiance et sécurité
© 2005-2025 UiPath Tous droits réservés.