- 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
Previsões positivos e negativos verdadeiros e falsos
É importante entender essas definições, pois elas formam uma parte chave da explicação de outros conceitos fundamentais de Machine Learning, como precisão e recall.
As definições abaixo são descritas no contexto de seu aplicativo dentro da plataforma.
Para começar com:
- Uma previsão "positiva" é aquela em que o modelo considera que um rótulo se aplica a uma mensagem
- Uma previsão "negativa" é aquela em que o modelo considera que um rótulo não se aplica a uma mensagem
Verdadeiro positivo
Um resultado verdadeiro positivo é aquele em que o modelo prevê corretamente que um rótulo se aplica a uma mensagem.
Verdadeiro negativos
Um resultado verdadeiro negativo é aquele em que o modelo prevê corretamente que um rótulo não se aplica a uma mensagem.
Falsos positivos
Um resultado falso positivo é aquele em que o modelo prevê incorretamente que um rótulo se aplica a uma mensagem, quando na verdade não se aplica.
Falsos negativos
Um resultado falso negativo é aquele em que o modelo prevê incorretamente que um rótulo não se aplica a uma mensagem, quando na verdade ele se aplica.
Para entender cada um desses conceitos com mais detalhes, consulte aqui.