--- sourceDocument: Xanadu-API-Referenz sourceDocumentLink: https://www.servicenow.com/docs/r/de-DE/xanadu/api-reference Release : - xanadu ft:locale : - de-DE ft:publication_title : - Xanadu-API-Referenz ft:clusterId : - crapiref bundleId : - crapiref workflow : - Creator --- # ClassificationSolutionVersion : Global # ClassificationSolutionVersion : Global {#ariaid-title1} * Freigeben Version: Xanadu * * Aktualisiert 1. August 2024 * * ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 10 Minuten Lesedauer Die ClassificationSolutionVersion -API ist ein skriptfähiges Objekt, das in den Filialen Predictive Intelligence verwendet wird. Diese(s) Die API erfordert das Plugin Predictive Intelligence (com.glide.platform_ml) und wird im Namespace `sn_ml` bereitgestellt. Diese API wird zum Arbeiten mit Lösungsversionen basierend auf [ClassificationSolution-API](https://www.servicenow.com/docs/FkhHo3fYhanJcbqRDjOiOQ#ClassificationSolutionAPI "Die ClassificationSolution -API ist ein skriptfähiges Objekt, das in den Filialen Predictive Intelligence verwendet wird.") -Objekten im [ClassificationSolution-Speicher](https://www.servicenow.com/docs/DvHUIggYlkAIv6f8NzG59Q#ClassificationSolutionStoreAPI "Ermöglicht das Speichern und Abrufen von Lösungen.")verwendet. Das System erstellt bei jedem Training einer Lösungsdefinition eine Lösungsversion. Die meisten Versionen werden während des geplanten Lösungstrainings erstellt. Auf Methoden in dieser API kann mit den folgenden [ClassificationSolution : Global](https://www.servicenow.com/docs/FkhHo3fYhanJcbqRDjOiOQ#ClassificationSolutionAPI "Die ClassificationSolution -API ist ein skriptfähiges Objekt, das in den Filialen Predictive Intelligence verwendet wird.") -Methoden zugegriffen werden: * [abrufenAktiveVersion()](https://www.servicenow.com/docs/FkhHo3fYhanJcbqRDjOiOQ#ClassifictnSol-getActiveVersion "Ruft das aktive ab ClassificationSolutionVersion- Objekt.") * [abrufenAlleVersionen()](https://www.servicenow.com/docs/FkhHo3fYhanJcbqRDjOiOQ#ClassifictnSol-getAllVersions "Ruft alle Versionen von ab Klassifizierungslösung.") * [abrufenAktuelleVersion()](https://www.servicenow.com/docs/FkhHo3fYhanJcbqRDjOiOQ#ClassifictnSol-getLatestVersion "Ruft die aktuelle Version von ab eine Lösung.") * [getVersion ()](https://www.servicenow.com/docs/FkhHo3fYhanJcbqRDjOiOQ#ClassifictnSol-getVersion_S "Ruft eine Lösung ab anhand der angegebenen Versionsnummer.") {#ClassificationSolutionVersionAPI__ul_ycl_fzf_tlb} ## ClassificationSolutionVersion -- getPredictionPerformance(Object Options) {#ariaid-title2} Berechnet die Genauigkeit und Abdeckung der Lösung. Um diese Methode zu verwenden, müssen Sie zuerst Einstellungen mit der Methode „setPredictionSettings() " erstellen. {#ClssfnV-getPredictionPerformance_O__table_gby_x2w_plb__entry__3} | Name | Typ | Beschreibung | |-|-|-| | Optionen | Objekt | Wählt eine Metrik aus, die innerhalb einer Datumsspanne abgerufen werden soll. Weitere Informationen finden Sie unter [Zielmetriken konfigurieren](https://www.servicenow.com/docs/access?context=configuring-target-metrics-trained-classification-solution&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US). { "fromDate": "String", "metricName": "String", "toDate": "String" } | | Optionen.abDatum | Zeichenfolge | Optional. Startdatum, ab dem Metriken im Systemdatums-/-zeitformat abgerufen werden sollen. | | Optionen.Metrikname | Zeichenfolge | Name der Metrik Gültige Werte: * precision * coverage {#ClssfnV-getPredictionPerformance_O__ul_ncd_ldx_plb} | | Optionen.zuDatum | Zeichenfolge | Optional. Enddatum, ab dem Metriken abgerufen werden sollen. Format: Systemdatums-/-zeitformat. | [Tabelle : 1. Parameter] {#ClssfnV-getPredictionPerformance_O__table_gby_x2w_plb} {#ClssfnV-getPredictionPerformance_O__table_hby_x2w_plb__entry__2} | Typ | Beschreibung | |-|-| | Objekt | Analysierbares JavaScript-Objekt, das die Ergebnisse für die Eingabemetrik enthält. { "metricName" : "String", "metricValue" : "String", "numberOfPredictionsConsidered" : "String" } | | Objekt.Metrikname | Name der als Eingabe ausgewählten Metrik. Datentyp: Zeichenfolge | | Objekt.Metrikwert | Wert der ausgewählten Metrik. Datentyp: Zeichenfolge | | Objekt.AnzahlBerücksichtigterDatensätze | Anzahl der Datensätze in der Tabelle „Vorhersageergebnisse" \[ml_predictor_results\], die für Berechnungen berücksichtigt werden. Datentyp: Zeichenfolge | [Tabelle : 2. Ergebnisse] {#ClssfnV-getPredictionPerformance_O__table_hby_x2w_plb} Das folgende Beispiel zeigt, wie Sie einen Genauigkeitswert aus der aktiven Version einer Lösung abrufen. // Get precision value var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization'); gs.print(JSON.stringify(JSON.parse(mlSolution.getActiveVersion().getPredictionPerformance({"metricName": "precision"})), null, 2)); Ausgabe: { "metricName": "precision", "metricValue": "70.10", "numberOfPredictionsConsidered": "10" } ## ClassificationSolutionVersion -- getPredictionSettings() {#ariaid-title3} Ruft die geschätzte Genauigkeit, die geschätzte Abdeckung und die geschätzten Rückrufwerte aus der Tabelle „ML-Lösungen" \[ml_solution\] und Datensätze aus der Tabelle „Klassenkonfidenz" \[ml_class\] ab. {#ClssfnV-getPredictionSettings__table_eq3_xbw_plb__entry__3} | Name | Typ | Beschreibung | |-|-|-| | Keine | | | [Tabelle : 3. Parameter] {#ClssfnV-getPredictionSettings__table_eq3_xbw_plb} {#ClssfnV-getPredictionSettings__table_wph_2dw_plb__entry__2} | Typ | Beschreibung | |-|-| | Objekt | Gibt Vorhersageeinstellungen für jede Klasse zurück. Die Daten umfassen Genauigkeits-, Abdeckungs-, Rückruf- und Verteilungswerte aller Klassen, die im trainierten Modell aus der Tabelle „ML-Lösungen" \[ml_solution\] enthalten sind. Einzelheiten hierzu finden Sie unter [Komponenten des Vorhersagemodells](https://www.servicenow.com/docs/access?context=predictive-intelligence&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US). { "": {Object} } | | \.\ | Trainingsstatistikdaten aus der Tabelle „Klassenkonfidenz" \[ml_class\] Weitere Informationen finden Sie unter [Zielmetriken konfigurieren](https://www.servicenow.com/docs/access?context=configuring-target-metrics-trained-classification-solution&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US). Datentyp: Objekt { "precision": "String", "coverage": "String", "recall": "String" } | | \.\ .Genauigkeit | Geschätzte Genauigkeitsmetrik der Lösung für diese Klasse. Datentyp: Zeichenfolge (numerischer Wert) | | \.\ .Abdeckung | Geschätzte Lösungsabdeckungsmetrik für diese Klasse. Datentyp: Zeichenfolge (numerischer Wert) | | \.\ .Rückruf | Geschätzte Lösungsrückrufmetrik für diese Klasse. Datentyp: Zeichenfolge (numerischer Wert) | [Tabelle : 4. Ergebnisse] {#ClssfnV-getPredictionSettings__table_wph_2dw_plb} Das folgende Beispiel zeigt, wie Sie die Vorhersageeinstellungen einer aktiven Lösungsversion abrufen. var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization'); gs.print(JSON.stringify(JSON.parse(mlSolution.getActiveVersion().getPredictionSettings()), null, 2)); Ausgabe: { "solutionSettings": { "precision": "61.69", "coverage": "66.75", "recall": "57.54" }, "classSettings": { "Approvals": { "precision": "100", "coverage": "0", "recall": "0" }, "Authentication": { "precision": "38.71", "coverage": "98.44", "recall": "56.25" }, "Automation": { "precision": "100", "coverage": "0", "recall": "0" }, ... ## ClassificationSolutionVersion -- getProperties() {#ariaid-title4} Ruft Lösungsobjekteigenschaften ab und Versionsnummer. {#ClssfnV-getProperties__table_d2m_zwz_4lb__entry__3} | Name | Typ | Beschreibung | |-|-|-| | Keine | | | [Tabelle : 5. Parameter] {#ClssfnV-getProperties__table_d2m_zwz_4lb} {#ClssfnV-getProperties__table_e2m_zwz_4lb__entry__2}{#ClssfnV-getProperties__classification-obj-group-desc} | Typ | Beschreibung | |-|-| | Objekt | Inhalt der Details zu Datensatz und [ClassificationSolution](https://www.servicenow.com/docs/FkhHo3fYhanJcbqRDjOiOQ#ClassifictnSol-ClassificationSolution_O "Erstellt eine Klassifizierungslösung.") -Version. Die Ergebnisse variieren je nach Einrichtung der Objekteigenschaften. { "algorithmConfig": { "algorithm": "String", "targetClassRecall": "String" }, "datasetProperties": {Object}, "domainName": "String", "encoder": {Object}, "groupByFieldName": "String", "inputFieldNames": [Array], "isActive": Boolean, "label": "String", "name": "String", "predictedFieldName": "String", "processingLanguage": "String", "scope": "String", "stopwords": [Array], "stopwords": [Array], "trainingFrequency": "String", "versionNumber": "Number" } | | \.Algorithmuskonfiguration | Methode zum Codieren der Lösung. Datentyp: Objekt | | \.algorithmKonfiguration.algorithm | Name des Codierungsalgorithmus zum Trainieren dieser Lösung. Mögliche Werte: * xgboost: XGBoost-Codierung zur Optimierung des Trainings. * logisticRegression: Methode, die das logistische Regressionsmodell für kategorische Ziele wie nominell oder ordinal verwendet. {#ClssfnV-getProperties__ul_wtd_l2k_xlb} Datentyp: Zeichenfolge | | \.algorithmConfig.targetClassRecall | Klassenrückrufparameter, um das Training einer Lösung so zu steuern, dass eine bestimmte Klasse beeinflusst wird. Der Rückrufwert ist eine Zahl zwischen 0 und 100, die einen Prozentsatz darstellt. Datentyp: Zeichenfolge | | \.datasetProperties | Listet die Eigenschaften des [DatasetDefinition()-](https://www.servicenow.com/docs/BXzFaC72fsNUF0~2iVZkiA#DDef-DatasetDefinition_O "Erstellt eine Instanz der DatasetDefinition -Klasse, sodass Sie einen Datensatz anhand des Tabellennamens, der Felder und der Abfrage definieren können.") Objekts auf, das der Lösung zugeordnet ist. Datentyp: Objekt { "encodedQuery": "String", "fieldDetails": [Array], "fieldNames": [Array], "tableName": "String" } | | \.datensatzEigenschaften.tabellenname | Name der Tabelle für den Datensatz. Beispiel: `„tableName" : „Incident"`. Datentyp: Zeichenfolge | | \.datasetProperties.fieldNames | Liste der Feldnamen aus der angegebenen Tabelle als Zeichenfolgen. Beispiel: `„fieldNames" : ["short_description", "priority"]`. Datentyp: Array | | \.datasetProperties.fieldNames.fieldDetails | Liste von JavaScript-Objekten, die Feldeigenschaften angeben. Datentyp: Array von Objekten [ { "name": "String", "type": "String" } ] | | \.datasetProperties.fieldNames.fieldDetails.\.name | Name des Felds, das die Art der Informationen definiert, auf die dieser Datensatz beschränkt werden soll Datentyp: Zeichenfolge | | \.datasetProperties.fieldDetails.\.type | Feldtyp für maschinelles Lernen. Datentyp: Zeichenfolge | | \.datasetProperties.fieldDetails.encodedQuery | Codierte Abfragezeichenfolge im Standard-Glide-Format. Siehe [Codierte Abfragezeichenfolgen](https://www.servicenow.com/docs/access?context=c_EncodedQueryStrings&version=xanadu&pubname=xanadu-platform-user-interface&ft:locale=en-US). Datentyp: Zeichenfolge | | \.Domänenname | Domänenname, der diesem Datensatz zugeordnet ist. Siehe [Domain Separation und Predictive Intelligence](https://www.servicenow.com/docs/access?context=domain-separation-predictive-intelligence&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US). Datentyp: Zeichenfolge | | \.Encoder | Encoder-Objekt, das dieser Lösung zugewiesen ist. Siehe [Encoder: Encoder (Objektkonfiguration)](https://www.servicenow.com/docs/G7ohgdKHJdsFxubAhcpxJw#Encoder-Encoder_O "Erstellt einen Encoder."). Datentyp: Objekt | | \.groupByFieldName | Feldname, nach dem Datensätze vom System gruppiert werden, um Klassifizierungslösungen zu erstellen. Datentyp: Zeichenfolge | | \.eingabeFeldNamen | Liste der Eingabefeldnamen als Zeichenfolgen. Das Modell verwendet diese Felder, um Vorhersagen zu treffen. Datentyp: Zeichenfolge | | \.istAktiv | Kennzeichnung, die angibt, ob diese Version aktiv ist. Gültige Werte: * wahr: Version ist aktiv. * „falsch": Version ist nicht aktiv. {#ClssfnV-getProperties__ul_i5m_lp1_dmb} Datentyp: Zeichenfolge | | \.label | Gibt die Vorhersageaufgabe an. { "label": "my first prediction" } Datentyp: Zeichenfolge | | \.name | Vom System zugewiesener Name Datentyp: Zeichenfolge | | \.predictedFieldName | Gibt ein Feld an, das für die Vorhersagbarkeit trainiert werden soll. Datentyp: Zeichenfolge | | \.processingLanguage | Verarbeitungssprache im zweibuchstabigen ISO 639-1-Sprachcodeformat. Datentyp: Zeichenfolge | | \.scope | Objektbereich. Derzeit ist `global`der einzige gültige Wert. Datentyp: Zeichenfolge | | \.Stoppwörter | Optional. Voreingestellte Liste von Zeichenfolgen, die das System basierend auf der Einstellung der Eigenschaft language automatisch generiert. Einzelheiten hierzu finden [Sie unter Anwenderdefinierte Stoppwortliste erstellen](https://www.servicenow.com/docs/access?context=create-custom-stopwords-list&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US). Datentyp: Array | | \.trainingFrequency | Die Häufigkeit, mit der das Modell neu trainiert werden soll. Mögliche Werte: * jeden_30_Tage * jeden_60_Tage * jeden_90_Tage * jeden_120_Tage * jeden_180_Tage * run_once {#ClssfnV-getProperties__ul_pmw_523_plb}Standard: run_once Datentyp: Zeichenfolge | | \.versionsnummer | Versionsnummer von ClassificationSolution- Objekt. Datentyp: Zeichenfolge | [Tabelle : 6. Ergebnisse] {#ClssfnV-getProperties__table_e2m_zwz_4lb} Im folgenden Beispiel werden Eigenschaften der aktiven Objektversion im Store abgerufen. // Get properties var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization'); gs.print(JSON.stringify(JSON.parse(mlSolution.getActiveVersion().getProperties()), null, 2)); Ausgabe: *** Script: { "datasetProperties": { "encodedQuery": "activeANYTHING^EQ", "fieldNames": [ "short_description", "category" ], "tableName": "incident" }, "domainName": "global", "inputFieldNames": [ "short_description" ], "isActive": "true", "label": "Incident Categorization_Trainer", "name": "ml_incident_categorization", "predictedFieldName": "category", "processingLanguage": "en", "stopwords": [ "Default English Stopwords" ], "versionNumber": "1" } ## ClassificationSolutionVersion -- getStatus(Boolean IncludesDetails) {#ariaid-title5} Ruft den Status des Schulungsabschlusses ab. {#ClssfnV-getStatus_B__table_xfh_vbw_plb__entry__3} | Name | Typ | Beschreibung | |-|-|-| | IncludeDetails | Boolean | Kennzeichnung, die angibt, ob der Status detailszurückgegeben werden soll. Gültige Werte: * „wahr": Zusätzliche Details zurückgeben. * „falsch": Es werden keine zusätzlichen Details zurückgegeben. {#ClssfnV-getStatus_B__ul_n33_ckw_plb} Standardwert: False | [Tabelle : 7. Parameter] {#ClssfnV-getStatus_B__table_xfh_vbw_plb} {#ClssfnV-getStatus_B__table_yfh_vbw_plb__entry__2} | Typ | Beschreibung | |-|-| | Objekt | JavaScript-Objekt, das Informationen zum Schulungsstatus für enthält ein [ClassificationSolution-](https://www.servicenow.com/docs/FkhHo3fYhanJcbqRDjOiOQ#ClassificationSolutionAPI "Die ClassificationSolution -API ist ein skriptfähiges Objekt, das in den Filialen Predictive Intelligence verwendet wird.") Objekt. { "state": "String", "percentComplete": "Number as a String", "hasJobEnded": "Boolean value as a String", "details": {Object} } | | \.Status | Abschlussstatus des Trainings. Wenn der Trainingsauftrag einen Terminalstatus erreicht, verlässt er diesen Zustand nicht. Bei einem Status im Terminal-Bereich wird die Eigenschaft hasJobEnded auf `true`festgelegt. Mögliche Werte: * fetching_files_for_training * präparieren_daten * Erneut versuchen * solution_cancelled (Terminal) * solution_complete (Terminal) * solution_error (Terminal) * solution_incomplete * „training_request_received" * „training_request_timed_out " (Terminal) * „training_solution" * „uploading_solution" * warten_für_Training {#ClssfnV-getStatus_B__ul_a5q_gh4_vlb} Datentyp: Zeichenfolge | | \.hatAuftragBeendet | Kennzeichnung, die angibt, ob das Training abgeschlossen ist. Gültige Werte: * „wahr": Das Training ist abgeschlossen. * „falsch": Das Training ist unvollständig. {#ClssfnV-getStatus_B__ul_icy_zjx_rlb} Datentyp: Boolescher Wert als Zeichenfolge | | \.percentComplete | Schulungsfortschritt abgeschlossen. Wenn der Prozentsatz der Fertigstellung kleiner als 100 ist, befindet sich der Auftrag möglicherweise in einem Terminalstatus. Zum Beispiel, wenn das Training abläuft. Datentyp: Zahl als Zeichenfolge Bereich: 0 bis 100 | | \.details | Objekt mit einer Liste zusätzlicher Schulungsdetails. Datentyp: Objekt | [Tabelle : 8. Ergebnisse] {#ClssfnV-getStatus_B__table_yfh_vbw_plb} Das folgende Beispiel zeigt ein erfolgreiches Ergebnis mit abgeschlossenem Training. // Get status var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization'); gs.print(JSON.stringify(JSON.parse(mlSolution.getActiveVersion().getStatus(true), null, 2))); Ausgabe: { "state":"solution_complete", "percentComplete":"100", "hasJobEnded":"true", "details":{"stepLabel":"Solution Complete"} // This information is only returned if getStatus(true); } Das folgende Beispiel zeigt ein nicht erfolgreiches Ergebnis mit abgeschlossenem Training. // Get status var solutionName = 'ml_x_snc_global_global_classification_solution'; var mlSolution = sn_ml.ClassificationSolutionStore.get(solutionName); var trainingStatus = mlSolution.getLatestVersion().getStatus(); gs.print(JSON.stringify(JSON.parse(trainingStatus), null, 2)); Ausgabe: { "state":"solution_error", "percentComplete":"100", "hasJobEnded":"true" } ## ClassificationSolutionVersion -- getTrainingStatistik () {#ariaid-title6} Ruft alle Trainingsstatistiken für eine bestimmte Lösung ab. {#ClssfnV-getTrainingStatistics__table_vph_2dw_plb__entry__3} | Name | Typ | Beschreibung | |-|-|-| | Keine | | | [Tabelle : 9. Parameter] {#ClssfnV-getTrainingStatistics__table_vph_2dw_plb} {#ClssfnV-getTrainingStatistics__table_wph_2dw_plb__entry__2} | Typ | Beschreibung | |-|-| | Objekt | JavaScript-Objekt mit Statistiken für jede im Training enthaltene Klasse und Werten für jede Klasse, die vom Training ausgeschlossen wurde. Einzelheiten hierzu finden Sie unter [Komponenten des Vorhersagemodells](https://www.servicenow.com/docs/access?context=predictive-intelligence&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US). { "includedClasses": {Object}, "excludedClasses": {Object} } | | \.includedClasses | Objekt, das Genauigkeits-, Abdeckungs-, Rückruf- und Verteilungswerte für jede Klasse im trainierten Modell enthält. Datentyp: Objekt "includedClasses": { "": { "distribution": "String", "statistics": [Array] }, | | \.includedClasses.\ .distribution | Wert der Ergebniswahrscheinlichkeitsverteilung für diese Klasse. Datentyp: Zeichenfolge | | \.includedClasses.\ .Statistiken | Liste von Objekten, die Trainingsstatistikdaten bereitstellen Weitere Informationen finden Sie unter [Zielmetriken konfigurieren](https://www.servicenow.com/docs/access?context=configuring-target-metrics-trained-classification-solution&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US). Datentyp: Array von Objekten [ { "coverage": "String", "precision": "String", "recall": "String", "selected": "String" } ] | | \.includedClasses.\ .statistiken.abdeckung | Geschätzte Lösungsabdeckungsmetrik für diese Klasse. Datentyp: Zeichenfolge (numerischer Wert) | | \.includedClasses.\ .statistiken.genauigkeit | Geschätzte Genauigkeitsmetrik der Lösung für diese Klasse. Datentyp: Zeichenfolge (numerischer Wert) | | \.includedClasses.\ .statistiken.rückruf | Geschätzte Lösungsrückrufmetrik für diese Klasse. Datentyp: Zeichenfolge (numerischer Wert) | | \.includedClasses.\ .Statistiken.ausgewählt | Kennzeichnung, die angibt, ob diese Klasse Datensätze enthält, die im Lösungstraining enthalten sind. Gültige Werte: * wahr: Diese Klasse enthält Datensätze, die zum Trainieren der Lösung ausgewählt wurden. * „falsch": Diese Klasse ist vom Training ausgeschlossen. {#ClssfnV-getTrainingStatistics__ul_sht_4cx_plb} Datentyp: Zeichenfolge (boolescher Wert) Standardwert: false | | \.ausgeschlosseneKlassen | Verteilung und Zeilenanzahl aller vom Training ausgeschlossenen Klassen. Datentyp: Objekt "excludedClasses": { "": { "distribution": "0.11", "rowCount": "9" } | | \.ausgeschlosseneKlassen\ .distribution | Wert der Ergebniswahrscheinlichkeitsverteilung für diese Klasse. Datentyp: Zeichenfolge | | \.ausgeschlosseneKlassen\ .rowCount | Anzahl der vom Training ausgeschlossenen Zeilen. Datentyp: Zeichenfolge (numerischer Wert) | [Tabelle : 10. Ergebnisse] {#ClssfnV-getTrainingStatistics__table_wph_2dw_plb} Das folgende Beispiel zeigt, wie Trainingsstatistiken aus der aktiven Lösung abgerufen werden. // Get training stats var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization'); gs.print(JSON.stringify(JSON.parse(mlSolution.getActiveVersion().getTrainingStatistics()), null, 2)); Ausgabe: { "includedClasses": { "Approvals": { "distribution": "0.43", "statistics": [ { "precision": "100", "coverage": "0", "recall": "0", "selected": "true" } ] }, "Authentication": { "distribution": "4.3", "statistics": [ { "precision": "39.33", "coverage": "95.31", "recall": "54.69", "selected": "false" }, { "precision": "100", "coverage": "0", "recall": "0", "selected": "false" }, ... } ... "excludedClasses": { "ACE": { "distribution": "0.11", "rowCount": "9" }, "AHA": { "distribution": "0.01", "rowCount": "1" }, ... } ## ClassificationSolutionVersion -- getVersionNumber() {#ariaid-title7} Ruft die Versionsnummer von ab ein Lösungsobjekt. {#ClssfnV-getVersionNumber__table_jsz_sbw_plb__entry__3} | Name | Typ | Beschreibung | |-|-|-| | Keine | | | [Tabelle : 11. Parameter] {#ClssfnV-getVersionNumber__table_jsz_sbw_plb} {#ClssfnV-getVersionNumber__table_ksz_sbw_plb__entry__2} | Typ | Beschreibung | |-|-| | Zeichenfolge | Versionsnummer. | [Tabelle : 12. Ergebnisse] {#ClssfnV-getVersionNumber__table_ksz_sbw_plb} Das folgende Beispiel zeigt, wie Sie eine Versionsnummer abrufen. // Get version number var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization'); gs.print("Version number: "+JSON.stringify(JSON.parse(mlSolution.getActiveVersion().getVersionNumber()), null, 2)); Ausgabe: Version number: 1 ## ClassificationSolutionVersion -vorhersage (Objekteingabe, Objektoptionen) {#ariaid-title8} Ruft die Eingabedaten für eine Vorhersage ab. {#ClssfnV-predict_O_O__table_wwz_pbw_plb__entry__3} | Name | Typ | Beschreibung | |-|-|-| | Eingabe | Objekt | [GlideRecord](https://www.servicenow.com/docs/aQw~oDpg6tKgED8LtNFyvw#c_GlideRecordAPI "Die GlideRecord- API wird für Datenbankvorgänge verwendet.") oder ein Array von JSON-Objekten, die Feldnamen und Werte als Schlüssel-Wert-Paare enthalten. | | Optionen | Objekt | Optionale Werte zum Filtern von Vorhersageergebnissen. { "apply_threshold": Boolean, "top_n": Number } | | Optionen.apply_threshold | Boolean | Kennzeichnung, die angibt, ob der Schwellenwert für die Lösung überprüft und auf den Ergebnissatz angewendet werden soll. Gültige Werte: * wahr: Gibt Ergebnisse zurück, bei denen die Konfidenz größer als der Schwellenwert ist. * „falsch": Alle Ergebnisse zurückgeben. {#ClssfnV-predict_O_O__ul_f4d_xyx_slb} Standardwert: True | | Optionen.top_n | Nummer | Wenn angegeben, werden die besten Ergebnisse bis zur angegebenen Anzahl von Vorhersagen zurückgegeben. | [Tabelle : 13. Parameter] {#ClssfnV-predict_O_O__table_wwz_pbw_plb} {#ClssfnV-predict_O_O__table_xwz_pbw_plb__entry__2} | Typ | Beschreibung | |-|-| | Objekt | JSON-Objekt, das die nach sys_id oder record_number sortierten Vorhersageergebnisse enthält. { : [Array] } | | \.\ | Liste von Objekten mit Details für jedes Vorhersageergebnis. Datentyp: Array von Objekten : [ { "confidence": Number, "predictedSysId": "String", "predictedValue": "String", "threshold": Number } ] | | \.\ .\.confidence | Wert der Konfidenz, die der Vorhersage zugeordnet ist. Beispiel: 53,84. Datentyp: Zahl | | \.\ .\.predictedSysId | Die sys_id des vorhergesagten Werts. Ergebnisse können aus jeder Tabelle stammen, in der Informationen vorhergesagt werden. Datentyp: Zeichenfolge | | \.\ .\.predictedValue | Wert, der das Vorhersageergebnis darstellt. Datentyp: Zeichenfolge | | \.\ .\.threshold | Wert des konfigurierten Schwellenwerts, der der Vorhersage zugeordnet ist. Datentyp: Zahl | [Tabelle : 14. Ergebnisse] {#ClssfnV-predict_O_O__table_xwz_pbw_plb} Das folgende Beispiel zeigt, wie Vorhersageergebnisse für einepredict ()- Methode angezeigt werden, die einen GlideRecord nach sys_id als Eingabe akzeptiert und optionale Parameter einschließt, um die Top-3-Ergebnisse zu beschränken und den Schwellenwert auszuschließen. var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization'); // single GlideRecord input var input = new GlideRecord("incident"); input.get(""); // configure optional parameters var options = {}; options.top_n = 3; options.apply_threshold = false; var results = mlSolution.getVersion(1).predict(input, options); // pretty print JSON results gs.print(JSON.stringify(JSON.parse(results), null, 2)); Ausgabe: { "": [ { "confidence": 62.10782320780268, "threshold": 20.36, "predictedValue": "Clone Issues", "predictedSysId": "" }, { "confidence": 6.945237375770391, "threshold": 16.63, "predictedValue": "Instance Administration", "predictedSysId": "" }, { "confidence": 5.321061076300759, "threshold": 23.7, "predictedValue": "Administration", "predictedSysId": "" } ] } Das folgende Beispiel zeigt, wie Vorhersageergebnisse für einepredict()- Methode angezeigt werden, die ein Array von Feldnamen als Schlüssel-Wert-Paare für die Eingabe akzeptiert und optionale Parameter einschließt, um die Top-3-Ergebnisse zu beschränken und den Schwellenwert auszuschließen. var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization'); // key-value pairs input var input = [{"short_description":"my email is not working"}, {short_description:"need help with password"}]; // configure optional parameters var options = {}; options.top_n = 3; options.apply_threshold = false; var results = mlSolution.predict(input, options); // pretty print JSON results gs.print(JSON.stringify(JSON.parse(results), null, 2)); Ausgabe: { "1": [ { "confidence": 37.5023032262591, "threshold": 10.72, "predictedValue": "Authentication", "predictedSysId": "" }, { "confidence": 24.439964862166583, "threshold": 23.7, "predictedValue": "Administration", "predictedSysId": "" }, { "confidence": 11.736320486031047, "threshold": 100, "predictedValue": "Security", "predictedSysId": "" } ], "2": [ { "confidence": 99, "threshold": 17.77, "predictedValue": "Email", "predictedSysId": "" }, { "confidence": 3.182137005157543, "threshold": 10.72, "predictedValue": "Authentication", "predictedSysId": "" }, { "confidence": 2.8773826570713514, "threshold": -1, "predictedValue": "Email (I/f)", "predictedSysId": "" } ] } ## ClassificationSolutionVersion -- setPredictionSettings(Object Options) {#ariaid-title9} Legt Genauigkeits-, Abdeckungs- oder Rückrufwerte auf Lösungs- oder Klassenebene fest. {#ClssfnV-setPredictionSettings_O__table_b45_tdw_plb__entry__3} | Name | Typ | Beschreibung | |-|-|-| | Optionen | Objekt | Konfigurationswerte der Metrik. Informationen zu diesen Funktionen finden Sie unter [Zielmetriken konfigurieren](https://www.servicenow.com/docs/access?context=configuring-target-metrics-trained-classification-solution&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US). { "metricName" : "String", "metricValue" : "String", "className" : "String" } | | Optionen.Metrikname | Zeichenfolge | Name der festzulegenden Metrik. Gültige Werte: * coverage{#ClssfnV-setPredictionSettings_O__classification-v-metrics-coverage} * precision{#ClssfnV-setPredictionSettings_O__classification-v-metrics-precision} * recall{#ClssfnV-setPredictionSettings_O__classification-v-metrics-recall} {#ClssfnV-setPredictionSettings_O__ul_ncd_ldx_plb} | | Optionen.Metrikwert | Zeichenfolge | Numerischer Wert, der der Metrik zugewiesen werden soll. | | Optionen.Klassenname | Zeichenfolge | Optional. Name der Klasse, auf die Ergebnisse beschränkt werden sollen. Verwenden Sie die [getTrainingStatistik()-](https://www.servicenow.com/docs/89VDBE7nk~MJ34dAhziGZw#ClssfnV-getTrainingStatistics "Ruft alle Trainingsstatistiken für eine bestimmte Lösung ab.") Methode, um eine vollständige Liste der Klassen für eine Lösung abzurufen. | [Tabelle : 15. Parameter] {#ClssfnV-setPredictionSettings_O__table_b45_tdw_plb} {#ClssfnV-setPredictionSettings_O__table_c45_tdw_plb__entry__2} | Typ | Beschreibung | |-|-| | Keine | | [Tabelle : 16. Ergebnisse] {#ClssfnV-setPredictionSettings_O__table_c45_tdw_plb} Das folgende Beispiel zeigt, wie eine Genauigkeitsmetrik für eine Klasse namens `Clone Issues`auf 89,5 festgelegt wird. var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_x_snc_global_global_classification'); var input = {"metricName" : "precision", "metricValue" : "89.5", "className" : "Clone Issues"}; mlSolution.getActiveVersion().setTrainingStatistics(input);