- 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
- 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)
- Entendendo o status do seu 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
Treinamento usando Ensinar rótulo (Refinar)
Permissões de usuário necessárias: "Exibir Origens" E "Revisar e anotar"
Para obter mais detalhes, consulte a página Verificar rótulo e Rótulo ausente .
Se você tiver um rótulo que esteja enfrentando dificuldades para prever com precisão e estiver satisfeito com a consistência dos exemplos já fixados (conforme discutido no artigo anterior), é provável que você precise fornecer ao modelo rótulos mais variados (e consistente) exemplos de treinamento.
A plataforma normalmente sugerirá esse modo como uma ação recomendada para rótulos que mais se beneficiariam dele nos fatores de Classificação do modelo, bem como nas ações recomendadas para rótulos específicos que você pode selecionar na Validação.
O melhor método para treinar a plataforma nas instâncias em que ela tem dificuldade em prever se um rótulo se aplica ou não é usar "Ensinar " para mensagens não revisadas.
Como esse modo mostra previsões para um rótulo com pontuações de confiança que variam para fora de 50% (ou 66% no caso de um conjunto de dados ativado por sentimento), aceitar ou corrigir essas previsões envia sinais de treinamento muito mais poderosos para o modelo do que se você estivesse para aceitar previsões com pontuações de confiança de 90% ou mais. Dessa forma, você pode melhorar rapidamente o desempenho de um rótulo fornecendo exemplos de treinamento variados sobre os quais a plataforma não tinha certeza anteriormente.
O processo real de anotação nesse modo será discutido na fase de Exploração .
