A modell betanítása és kiértékelése
A modell betanítása és kiértékelése iteratív folyamat, amely adatokat és címkéket ad hozzá a betanítási adatkészlethez, hogy pontosabban taníthassa a modellt. Annak megismeréséhez, hogy milyen típusú adatokat és címkéket kell továbbfejleszteni, a Language Studio pontozást biztosít a modell részleteinek megtekintése lapon a bal oldali panelen.
Az egyes entitások és a modell összesített pontszáma három metrika szerint oszlik meg, amelyekből megtudhatja, hogyan teljesít, és hol kell javítania.
| Metrika | Leírás |
|---|---|
| Pontosság | A sikeres entitásfelismerések aránya az összes megkísérelt felismeréshez. A magas pontszám azt jelenti, hogy mindaddig, amíg az entitás felismerve van, helyesen van megjelölve. |
| Visszavonás | A sikeres entitásfelismerések aránya a dokumentumban szereplő entitások tényleges számával. A magas pontszám azt jelenti, hogy jól találja meg az entitást vagy entitásokat, függetlenül attól, hogy a megfelelő címkét rendeli-e hozzájuk |
| F1 pontszám | A pontosság és a visszahívás kombinációja egyetlen pontozási metrikát biztosít |
A pontszámok entitásonként és a modell egészében is elérhetők. Előfordulhat, hogy egy entitás pontszámai jól hatnak, de a teljes modell nem.
Metrikák értelmezése
Ideális esetben azt szeretnénk, hogy a modellünk pontosságban és visszahívásban is jól működjön, ami azt jelenti, hogy az entitásfelismerés jól működik. Ha mindkét metrika alacsony pontszámmal rendelkezik, az azt jelenti, hogy a modell nem tudja felismerni a dokumentumban lévő entitásokat, és amikor kinyeri az entitást, nem rendeli hozzá a megfelelő címkét nagy megbízhatósággal.
Ha a pontosság alacsony, de a visszahívás magas, az azt jelenti, hogy a modell jól felismeri az entitást, de nem jelöli meg a megfelelő entitástípusként.
Ha a pontosság magas, de a visszahívás alacsony, az azt jelenti, hogy a modell nem mindig ismeri fel az entitást, de amikor a modell kinyeri az entitást, a rendszer a megfelelő címkét alkalmazza.
Keveredési mátrix
Ugyanazon a Modell részleteinek megtekintése lapon van egy másik lap a Zavartság mátrix tetején. Ez a nézet egy vizualizációs táblázatot biztosít az összes entitásról és az egyes műveletekről, így teljes képet kap a modellről és arról, hogy hol rövid.
A keveredési mátrix lehetővé teszi, hogy vizuálisan azonosítsa, hol adhat hozzá adatokat a modell teljesítményének javítása érdekében.