- Introdução
- Balanceamento
- Clusters
- Desvio de conceito
- Cobertura
- Conjuntos de dados
- Campos gerais (anteriormente entidades)
- Rótulos (previsões, níveis de confiança, hierarquia etc.)
- Modelos
- Transmissões
- Classificação do Modelo
- Projetos
- Precisão
- Lembrar
- Mensagens revisadas e não revisadas
- Fontes
- Taxonomias
- Treinamento
- Previsões positivos e negativos verdadeiros e falsos
- Validação
- Mensagens
- Administração
- Gerencie origens e conjuntos de dados
- Entender a estrutura de dados e permissões
- Crie uma origem de dados na GUI
- Carregar um arquivo CSV para uma origem
- Criar um conjunto de dados
- Origens e conjuntos de dados multilíngues
- Habilitando o sentimento em um conjunto de dados
- Corrigir configurações de conjunto de dados
- Excluir mensagens por meio da interface do usuário
- Excluir um conjunto de dados
- Excluir uma origem
- Exportar um conjunto de dados
- Usando integrações do Exchange
- Preparando dados para carregamento de .CSV
- Treinamento e manutenção do modelo
- Noções Básicas sobre rótulos, campos gerais e metadados
- Hierarquia de rótulo e práticas recomendadas
- Definição dos seus objetivos de taxonomia
- Casos de uso de análise versus automação
- Transformando seus objetivos em rótulos
- Criação da sua estrutura taxonômica
- Práticas recomendadas de design de taxonomia
- Importando sua taxonomia
- Visão geral do processo de treinamento do modelo
- Anotação Generativa (Novo)
- Status do conjunto de dados
- Treinamento de modelos e práticas recomendadas de anotação
- Treinamento com análise de sentimento de rótulo habilitada
- Treinamento
- Introdução ao Refine
- Precisão e recall explicados
- Precisão e recall
- Como funciona a Validação?
- Compreender e melhorar o desempenho do modelo
- Por que um rótulo pode ter uma precisão média baixa?
- Treinamento usando Check label e Perda de rótulo
- Treinamento usando Ensinar rótulo (Refinar)
- Treinamento usando a Pesquisa (Refinamento)
- Noções Básicas e Aumentando a Cobertura
- Melhorando o balanceamento e usando o Rebalanceamento
- Quando parar de treinar seu modelo
- Uso dos campos gerais
- Extração generativa
- Uso de análise e monitoramento
- Automations e Communications Mining
- Informações de licenciamento
- Perguntas frequentes e mais
Precisão
A precisão mede a proporção das previsões feitas pelo modelo que estavam realmente corretas. Ou seja, de todas as previsões positivas que o modelo fez, qual foi a proporção de verdadeiros positivos.
Precisão = verdadeiros positivos / (verdadeiros positivos + falsos positivos)
Por exemplo, para cada 100 mensagens em um conjunto de dados prevista como tendo o rótulo “Solicitação de informações”, a precisão é a porcentagem de vezes que “Solicitação de informações” foi prevista corretamente do total de vezes que foi prevista.
Uma precisão de 95% significaria que, para cada 100 mensagens prevista como tendo um rótulo específico, 95 seriam anotadas corretamente e 5 serão anotadas incorretamente (ou seja, elas não deveriam ter sido anotadas com aquele rótulo).
Para uma explicação mais detalhada sobre como a precisão funciona, consulte aqui.
Precisão média (AP)
A pontuação média de precisão (AP) para um rótulo individual é calculada como a média de todas as pontuações de precisão em cada valor de recall (entre 0 e 100%) para esse rótulo.
Essencialmente, a precisão média mede o desempenho do modelo em todos os limites de confiança para esse rótulo.
Precisão média média (MAPA)
Precisão média média (MAPA) é uma das medidas mais úteis do desempenho geral do modelo, sendo uma maneira fácil de comparar diferentes versões de modelos.
A pontuação do MAP leva a média da pontuação de precisão média para cada rótulo em sua taxonomia que tem pelo menos 20 exemplos no conjunto de treinamento usado na validação.
Normalmente, quanto maior a pontuação do MAP, melhor o desempenho geral do modelo, embora esse não seja o único fator que deve ser considerado ao se entender o quão íntegro é um modelo. Também é importante saber que seu modelo é independente e tem alta cobertura.
Precisão Média no Recall
