---
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


---

# PredictabilityEstimate -- Global

# PredictabilityEstimate -- Global {#ariaid-title1}

* Freigeben Version: Xanadu
* 
* Aktualisiert 1. August 2024
* 
* ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 6 Minuten Lesedauer

Die PredictabilityEstimate- API ist ein skriptfähiges Objekt, das in den Filialen Predictive Intelligence verwendet wird. Dieses Objekt schätzt, wie vorhersehbar die Felder eines Datensatzes sein können und welche Funktionen für die Vorhersage dieser Felder nützlich sein können.

Diese(s) Die API erfordert das Plugin Predictive Intelligence (com.glide.platform_ml) und wird im Namespace `sn_ml` bereitgestellt.  
Der Setup-zu-Schulungs-Flow der Vorhersagbarkeitsschätzung sieht wie folgt aus:

1. Erstellen Sie einen Datensatz mit der [DatasetDefinition-](https://www.servicenow.com/docs/BXzFaC72fsNUF0~2iVZkiA#DatasetDefinitionAPI "Die DatasetDefinition- API bietet Methoden zum Identifizieren von Eine Reihe von Datensätzen, einschließlich eines Tabellennamens, Spalten und Zeilenauswahlkriterien, die als Eingabe für ML-Trainingsalgorithmen verwendet werden. Datensätze enthalten nicht die tatsächlichen Daten.") API.
2. Verwenden Sie den [Konstruktor](https://www.servicenow.com/docs/hyu6Okm2OXR3U5nHR6fVSQ#PrdctbltE-PredictabilityEstimate_O "Erstellt eine Vorhersagbarkeitsschätzung."), um ein Objekt für die Vorhersagbarkeitsschätzung zu erstellen.
3. Fügen Sie das Vorhersagbarkeitsschätzungs-Objekt dem Vorhersagbarkeitsschätzungs-Speicher hinzu, indem Sie die [PredictabilityEstimateStore - add()-](https://www.servicenow.com/docs/b34_om4fIzBS9DfHrR9vXQ#PredictbltyEstStore-add_O "Fügt eine neue Vorhersagbarkeitsschätzung hinzu dem Store ein neues Lösungsobjekt hinzu und gibt einen eindeutigen Namen zurück.") Methode verwenden.
4. Trainieren Sie die Vorhersagbarkeitsschätzung mit der Methode [„submitTrainingJob()](https://www.servicenow.com/docs/hyu6Okm2OXR3U5nHR6fVSQ#PrdctbltE-submitTrainingJob "Übermittelt einen Trainingsauftrag.") ". Dadurch wird eine Version des Objekts erstellt, die Sie mit der [PredictabilityEstimateVersion-](https://www.servicenow.com/docs/mMdfSSoB1ToFvtr5HfjAzA#PredictabilityEstimateVersionAPI "Die PredictabilityEstimateVersion- API ist ein skriptfähiges Objekt, das in den Filialen Predictive Intelligence verwendet wird.") API verwalten können.
5. Rufen Sie die geschätzten Vorhersagewerte mit der Methode [PredictabilityEstimateVersion -- getResults() ab](https://www.servicenow.com/docs/mMdfSSoB1ToFvtr5HfjAzA#PredictbltyEstV-getResults "Gibt JSON-Ergebnisse zurück, die vorgeschlagene Eingabefelder für ein Ausgabefeld enthalten.").

{#PredictabilityEstimateAPI__ol_mmm_n1c_dmb}  
Hinweis:  
Diese API wird von mit vollständigen Rechten ausgeführt. Um den Benutzerzugriff einzuschränken, fügen Sie einen Zugriffssteuerungsmechanismus in das Skript ein.

Richtlinien zur [Verwendung finden Sie unter ML-APIs](https://www.servicenow.com/docs/access?context=using-ml-apis&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US)verwenden .

## PredictabilityEstimate: PredictabilityEstimate (Objektkonfiguration) {#ariaid-title2}

Erstellt eine Vorhersagbarkeitsschätzung.
Um neue Vorhersagbarkeitsschätzungen für denselben Datensatz abzurufen, verwenden Sie diesen Konstruktor, um ein neues PredictabilityEstimate-Objekt mit einem eindeutigen Namen zu erstellen.
{#PrdctbltE-PredictabilityEstimate_O__table_gm2_yt5_flb__entry__3}{#PrdctbltE-PredictabilityEstimate_O__solution-obj-domainN-default}

| Name | Typ | Beschreibung |
|-|-|-|
| Konfiguration | Objekt | JavaScript-Objekt mit Konfigurationseigenschaften für Schätzung der Vorhersagbarkeit { "dataset": {Object}, "domainName": "String", "inputFieldNames": [Array], "label": "String", "minRowCount": "String", "predictedFieldName": "String", "trainingFrequency": "String" } |
| config.dataset | Objekt | Name[der Datensatzdefinition](https://www.servicenow.com/docs/BXzFaC72fsNUF0~2iVZkiA#DatasetDefinitionAPI "Die DatasetDefinition- API bietet Methoden zum Identifizieren von Eine Reihe von Datensätzen, einschließlich eines Tabellennamens, Spalten und Zeilenauswahlkriterien, die als Eingabe für ML-Trainingsalgorithmen verwendet werden. Datensätze enthalten nicht die tatsächlichen Daten."). |
| config.domainName | Zeichenfolge | Optional. 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). Standard: Aktuelle Domäne, z. B. `„global"`. |
| config.inputFieldNames | Array | Liste der Kandidateneingabefelder als Zeichenfolgen, die für die Schätzung berücksichtigt werden sollen. |
| config.label | Zeichenfolge | Gibt die Vorhersageaufgabe an. |
| config.minRowCount | Zeichenfolge | Optional. Mindestanzahl von Datensätzen, die im Datensatz für das Training erforderlich sind. Standard: 10.000 |
| config.predictedFieldName | Zeichenfolge | Gibt ein Feld an, das für die Vorhersagbarkeit trainiert werden soll. |
| config.trainingFrequency | Zeichenfolge | Optional. 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 {#PrdctbltE-PredictabilityEstimate_O__ul_pmw_523_plb}Standard: run_once |
[Tabelle : 1. Parameter]

{#PrdctbltE-PredictabilityEstimate_O__table_gm2_yt5_flb}  
Das folgende Beispiel zeigt, wie Sie einen Schätzungsauftrag erstellen und dem PredictabilityEstimate-Speicher hinzufügen.

    var myIncidentData = new sn_ml.DatasetDefinition({
      'tableName' : 'incident',
      'encodedQuery' : 'activeANYTHING'
    });

    var myEstimate = new sn_ml.PredictabilityEstimate({
      'label': "predictability estimate",
      'dataset' : myIncidentData,
      'inputFieldNames':['short_description'], 
      'predictedFieldName': 'category'
    });

    var myEstimateName = sn_ml.PredictabilityEstimateStore.add(myEstimate);

## PredictabilityEstimate -- cancelTrainingJob() {#ariaid-title3}

Storniert einen Auftrag für ein Objekt für die Vorhersagbarkeitsschätzung , das zum Trainieren übermittelt wurde.
{#PrdctbltE-cancelTrainingJob__table_bpb_k3z_llb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Keine |   |   |
[Tabelle : 2. Parameter]

{#PrdctbltE-cancelTrainingJob__table_bpb_k3z_llb} {#PrdctbltE-cancelTrainingJob__table_cpb_k3z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Keine |   |
[Tabelle : 3. Ergebnisse]

{#PrdctbltE-cancelTrainingJob__table_cpb_k3z_llb}  
Das folgende Beispiel zeigt, wie Sie einen vorhandenen Trainingsauftrag abbrechen.

    var myEstimate = sn_ml.PredictabilityEstimateStore.get('ml_sn_global_global_predictability_estimate');

    myEstimate.cancelTrainingJob();

## PredictabilityEstimate -- getActiveVersion() {#ariaid-title4}

Ruft das aktive ab PredictabilityEstimateVersion- Objekt
{#PrdctbltE-getActiveVersion__table_tvl_m3z_llb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Keine |   |   |
[Tabelle : 4. Parameter]

{#PrdctbltE-getActiveVersion__table_tvl_m3z_llb} {#PrdctbltE-getActiveVersion__table_uvl_m3z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Objekt | Aktives [PredictabilityEstimateVersion-](https://www.servicenow.com/docs/mMdfSSoB1ToFvtr5HfjAzA#PredictabilityEstimateVersionAPI "Die PredictabilityEstimateVersion- API ist ein skriptfähiges Objekt, das in den Filialen Predictive Intelligence verwendet wird.") Objekt. |
[Tabelle : 5. Ergebnisse]

{#PrdctbltE-getActiveVersion__table_uvl_m3z_llb}  
Das folgende Beispiel zeigt, wie Sie eine aktive PredictabilityEstimate Version aus dem Store abrufen und ihren Schulungsstatus zurückgeben.

    var mlEstimate = sn_ml.PredictabilityEstimateStore.get('ml_x_snc_global_global_predictability_estimate');

    gs.print(JSON.stringify(JSON.parse(mlEstimate.getActiveVersion().getStatus()), null, 2));

Ausgabe:

    {
      "state": "predictability_estimate_complete",
      "percentComplete": "100",
      "hasJobEnded": "true"
    }

## PredictabilityEstimate -- getAllVersions() {#ariaid-title5}

Ruft alle Versionen von ab eine Schätzung der Vorhersagbarkeit
{#PrdctbltE-getAllVersions__table_tvl_m3z_llb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Keine |   |   |
[Tabelle : 6. Parameter]

{#PrdctbltE-getAllVersions__table_tvl_m3z_llb} {#PrdctbltE-getAllVersions__table_uvl_m3z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Array | Vorhandene Versionen eines Lösungsobjekts. Siehe auch [PredictabilityEstimateVersion-](https://www.servicenow.com/docs/mMdfSSoB1ToFvtr5HfjAzA#PredictabilityEstimateVersionAPI "Die PredictabilityEstimateVersion- API ist ein skriptfähiges Objekt, das in den Filialen Predictive Intelligence verwendet wird.") API |
[Tabelle : 7. Ergebnisse]

{#PrdctbltE-getAllVersions__table_uvl_m3z_llb}  
Das folgende Beispiel zeigt, wie Sie alle PredictabilityEstimate -Versionsobjekte abrufen und die Schätzversionsmethoden getVersionNumber() und getStatus() dafür aufrufen.

    var mlEstimate = sn_ml.PredictabilityEstimateStore.get('ml_x_snc_global_global_predictability_estimate');

    var mlEstimateVersions = mlEstimate.getAllVersions();

    for (i = 0; i < mlEstimateVersions.length; i++) {
    gs.print("Version " + mlEstimateVersions[i].getVersionNumber() + " Status: " + mlEstimateVersions[i].getStatus() +"\n");
    };

Ausgabe:

    Version 3 Status: {"state":"predictability_estimate_complete","percentComplete":"100","hasJobEnded":"true"}

    Version 2 Status: {"state":"predictability_estimate_complete","percentComplete":"100","hasJobEnded":"true"}

    Version 1 Status: {"state":"predictability_estimate_cancelled","percentComplete":"0","hasJobEnded":"true"}

## PredictabilityEstimate -- getLatestVersion() {#ariaid-title6}

Ruft die aktuelle Version von ab eine Schätzung der Vorhersagbarkeit
{#PrdctbltE-getLatestVersion__table_tvl_m3z_llb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Keine |   |   |
[Tabelle : 8. Parameter]

{#PrdctbltE-getLatestVersion__table_tvl_m3z_llb} {#PrdctbltE-getLatestVersion__table_uvl_m3z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Objekt | [PredictabilityEstimateVersion](https://www.servicenow.com/docs/mMdfSSoB1ToFvtr5HfjAzA#PredictabilityEstimateVersionAPI "Die PredictabilityEstimateVersion- API ist ein skriptfähiges Objekt, das in den Filialen Predictive Intelligence verwendet wird.") Objekt, das der aktuellen Version von entspricht und [PredictabilityEstimate()](https://www.servicenow.com/docs/hyu6Okm2OXR3U5nHR6fVSQ#PrdctbltE-PredictabilityEstimate_O "Erstellt eine Vorhersagbarkeitsschätzung."). |
[Tabelle : 9. Ergebnisse]

{#PrdctbltE-getLatestVersion__table_uvl_m3z_llb}  
Das folgende Beispiel zeigt, wie Sie die aktuelle Version eine Vorhersagbarkeitsschätzung ab und gibt den Trainingsstatus zurück.

    var mlEstimate = sn_ml.PredictabilityEstimateStore.get('ml_x_snc_global_global_predictability_estimate');

    gs.print(JSON.stringify(JSON.parse(mlEstimate.getLatestVersion().getStatus()), null, 2));

Ausgabe:

    {
      "state": "predictability_estimate_complete",
      "percentComplete": "100",
      "hasJobEnded": "true"
    }

## PredictabilityEstimate -- getName() {#ariaid-title7}

Ruft den Namen des Objekts ab, das für die Interaktion mit dem Store verwendet werden soll.
{#PrdctbltE-getName__table_pps_43z_llb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Keine |   |   |
[Tabelle : 10. Parameter]

{#PrdctbltE-getName__table_pps_43z_llb} {#PrdctbltE-getName__table_qps_43z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Zeichenfolge | Name des Schätzungsobjekts. |
[Tabelle : 11. Ergebnisse]

{#PrdctbltE-getName__table_qps_43z_llb}  
Das folgende Beispiel zeigt, wie PredictabilityEstimate Datensatzinformationen aktualisiert und der Name des Objekts gedruckt wird.

    // Update estimate
    var myIncidentData = new sn_ml.DatasetDefinition({
       'tableName' : 'incident',
       'fieldNames' : ['category', 'short_description', 'priority'],
       'encodedQuery' : 'activeANYTHING'
    });

    var myEstimate = new sn_ml.PredictabilityEstimate({
       'label': "my estimate",
       'dataset' : myIncidentData,
       'inputFieldNames':['short_description'],
       'predictedFieldName': 'category'
    });

    // update estimate
    sn_ml.PredictabilityEstimateStore.update('ml_x_snc_global_global_my_definition_4', myEstimate);

    // print estimate name
    gs.print('Estimate Name: '+myEstimate.getName());

Ausgabe:

    Estimate Name: ml_x_snc_global_global_my_definition_4

## PredictabilityEstimate -- getProperties() {#ariaid-title8}

Ruft Eigenschaften des Objekts der Vorhersagbarkeitsschätzung ab.
{#PrdctbltE-getProperties__table_pps_43z_llb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Keine |   |   |
[Tabelle : 12. Parameter]

{#PrdctbltE-getProperties__table_pps_43z_llb} {#PrdctbltE-getProperties__table_qps_43z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Objekt | Inhalt der Details des Datensatzes und des [PredictabilityEstimate()-](https://www.servicenow.com/docs/hyu6Okm2OXR3U5nHR6fVSQ#PrdctbltE-PredictabilityEstimate_O "Erstellt eine Vorhersagbarkeitsschätzung.") Objekts im [PredictabilityEstimateStore](https://www.servicenow.com/docs/b34_om4fIzBS9DfHrR9vXQ#PredictabilityEstimateStoreAPI "Ermöglicht das Speichern und Abrufen von Schätzungen der Vorhersagbarkeit"). { "datasetProperties": {Object}, "domainName": "String", "inputFieldNames": [Array], "label": "String", "name": "String", "predictedFieldName": "String", "scope": "String", "trainingFrequency": "String" } |
| \<Object\>.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 Schätzung zugeordnet ist. { "encodedQuery": "String", "fieldDetails": [Array], "fieldNames": [Array], "tableName": "String" } |
| \<Object\>.datensatzEigenschaften.tabellenname | Name der Tabelle für den Datensatz. Beispiel: `„tableName" : „Incident"`. Datentyp: Zeichenfolge. |
| \<Object\>.datasetProperties.fieldNames | Liste der Feldnamen aus der angegebenen Tabelle als Zeichenfolgen. Beispiel: `„fieldNames" : ["short_description", "priority"]`. Datentyp: Array. |
| \<Object\>.datasetProperties.fieldNames.fieldDetails | Liste von JavaScript-Objekten, die Feldeigenschaften angeben. [ { "name": "String", "type": "String" } ] Datentyp: Array. |
| \<Object\>.datasetProperties.fieldNames.fieldDetails.\<object\>.name | Name des Felds, das die Art der Informationen definiert, auf die dieser Datensatz beschränkt werden soll Datentyp: Zeichenfolge. |
| \<Object\>.datasetProperties.fieldDetails.\<object\>.type | Feldtyp für maschinelles Lernen. Datentyp: Zeichenfolge. |
| \<Object\>.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. |
| \<Object\>.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. |
| \<Object\>.eingabeFeldNamen | Liste der Kandidateneingabefelder als Zeichenfolgen, die für die Schätzung berücksichtigt werden sollen. Datentyp: Zeichenfolge. |
| \<Object\>.label | Gibt die Vorhersageaufgabe an. { "label": "my first prediction" } Datentyp: Zeichenfolge. |
| \<Object\>.name | Vom System zugewiesener Name Datentyp: Zeichenfolge. |
| \<Object\>.predictedFieldName | Gibt ein Feld an, das für die Vorhersagbarkeit trainiert werden soll. Datentyp: Zeichenfolge. |
| \<Object\>.scope | Objektbereich. Derzeit ist `global`der einzige gültige Wert. Datentyp: Zeichenfolge |
| \<Object\>.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 {#PrdctbltE-getProperties__ul_pmw_523_plb}Standard: run_once Datentyp: Zeichenfolge. |
[Tabelle : 13. Ergebnisse]

{#PrdctbltE-getProperties__table_qps_43z_llb}  
Im folgenden Beispiel werden Eigenschaften ein Objekt für die Vorhersagbarkeitsschätzung im Store abgerufen.

    var mySolution = sn_ml.PredictabilityEstimateStore.get('ml_sn_global_global_predictability_estimate');

    gs.print(JSON.stringify(JSON.parse(mySolution.getProperties()), null, 2));

Ausgabe:

    *** Script: {
      "datasetProperties": {
        "tableName": "incident",
        "fieldNames": [
          "category",
          "short_description",
          "priority",
          "assignment_group.name"
        ],
        "fieldDetails": [
          {
            "name": "category",
            "type": "nominal"
          },
          {
            "name": "short_description",
            "type": "text"
          }
        ]
      },
      "domainName": "global",
      "inputFieldNames": [
        "short_description"
      ],
      "label": "my estimate definition",
      "name": "ml_x_snc_global_global_my_definition_26",
      "predictedFieldName": "category",
      "processingLanguage": "en",
      "scope": "global",
      "stopwords": [
        "Default English Stopwords"
      ],
      "trainingFrequency": "run_once"
    }

## PredictabilityEstimate -- getVersion(String version) {#ariaid-title9}

Ruft eine Schätzung der Vorhersagbarkeit ab anhand der angegebenen Versionsnummer.
{#PrdctbltE-getVersion_S__table_pps_43z_llb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Version | Zeichenfolge | Vorhandene Versionsnummer eine Schätzung der Vorhersagbarkeit |
[Tabelle : 14. Parameter]

{#PrdctbltE-getVersion_S__table_pps_43z_llb} {#PrdctbltE-getVersion_S__table_qps_43z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Objekt | Angegebene Version des [PredictabilityEstimate()-](https://www.servicenow.com/docs/hyu6Okm2OXR3U5nHR6fVSQ#PrdctbltE-PredictabilityEstimate_O "Erstellt eine Vorhersagbarkeitsschätzung.") Objekts, für das Sie [PredictabilityEstimateVersion](https://www.servicenow.com/docs/mMdfSSoB1ToFvtr5HfjAzA#PredictabilityEstimateVersionAPI "Die PredictabilityEstimateVersion- API ist ein skriptfähiges Objekt, das in den Filialen Predictive Intelligence verwendet wird.") -API-Methoden aufrufen können. |
[Tabelle : 15. Ergebnisse]

{#PrdctbltE-getVersion_S__table_qps_43z_llb}  
Das folgende Beispiel zeigt, wie Sie den Trainingsstatus eine Vorhersagbarkeitsschätzung nach Versionsnummer

    var mlEstimate = sn_ml.PredictabilityEstimateStore.get('ml_x_snc_global_global_predictability_estimate');

    gs.print(JSON.stringify(JSON.parse(mlEstimate.getVersion('1').getStatus()), null, 2));

Ausgabe:

    {
      "state": "predictability_estimate_complete",
      "percentComplete": "100",
      "hasJobEnded": "true"
    }

## PredictabilityEstimate -- setActiveVersion(String version) {#ariaid-title10}

Aktiviert eine angegebene Version einer Vorhersagbarkeitsschätzung im Store.
{#PrdctbltE-setActiveVersion_S__table_pps_43z_llb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Version | Zeichenfolge | Name der zu aktivierenden [PredictabilityEstimate()-](https://www.servicenow.com/docs/hyu6Okm2OXR3U5nHR6fVSQ#PrdctbltE-PredictabilityEstimate_O "Erstellt eine Vorhersagbarkeitsschätzung.") Objektversion. Durch die Aktivierung dieser Version werden alle anderen Versionen deaktiviert. |
[Tabelle : 16. Parameter]

{#PrdctbltE-setActiveVersion_S__table_pps_43z_llb} {#PrdctbltE-setActiveVersion_S__table_qps_43z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Keine |   |
[Tabelle : 17. Ergebnisse]

{#PrdctbltE-setActiveVersion_S__table_qps_43z_llb}  
Das folgende Beispiel zeigt, wie Sie eine Schätzung der Vorhersagbarkeit im Store aktivieren.

    sn_ml.PredictabilityEstimate.setActiveVersion("ml_x_snc_global_global_my_estimate_definition");

## PredictabilityEstimate --submitTrainingJob() {#ariaid-title11}

Übermittelt einen Trainingsauftrag.
Hinweis:  
Bevor Sie diese Methode ausführen, müssen Sie dem Speicher zuerst eine Vorhersagbarkeitsschätzung mit der Methode [PredictabilityEstimateStore - add() hinzufügen](https://www.servicenow.com/docs/b34_om4fIzBS9DfHrR9vXQ#PredictbltyEstStore-add_O "Fügt eine neue Vorhersagbarkeitsschätzung hinzu dem Store ein neues Lösungsobjekt hinzu und gibt einen eindeutigen Namen zurück.").
{#PrdctbltE-submitTrainingJob__table_xmd_33z_llb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Keine |   |   |
[Tabelle : 18. Parameter]

{#PrdctbltE-submitTrainingJob__table_xmd_33z_llb} {#PrdctbltE-submitTrainingJob__table_ymd_33z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Objekt | [PredictabilityEstimateVersion](https://www.servicenow.com/docs/mMdfSSoB1ToFvtr5HfjAzA#PredictabilityEstimateVersionAPI "Die PredictabilityEstimateVersion- API ist ein skriptfähiges Objekt, das in den Filialen Predictive Intelligence verwendet wird.") Objekt, das [der PredictabilityEstimate](https://www.servicenow.com/docs/hyu6Okm2OXR3U5nHR6fVSQ#PrdctbltE-PredictabilityEstimate_O "Erstellt eine Vorhersagbarkeitsschätzung.") dem trainierten entspricht.-Version |
[Tabelle : 19. Ergebnisse]

{#PrdctbltE-submitTrainingJob__table_ymd_33z_llb}  
Das folgende Beispiel zeigt, wie Sie einen Datensatz erstellen, auf eine Lösung anwenden eine Vorhersagbarkeitsschätzung haben, fügen Sie diese hinzu einem Store hinzufügen und den Trainingsauftrag übermitteln.

    // Create a dataset 
    var myData = new sn_ml.DatasetDefinition({

      'tableName' : 'incident',
      'fieldNames' : ['assignment_group', 'short_description', 'description'],
      'encodedQuery' : 'activeANYTHING'

    });

    // Create an estimate 
    var myEstimate = new sn_ml.PredictabilityEstimate({

      'label': "my estimate definition",
      'dataset' : myData,
      'predictedFieldName' : 'assignment_group',
      'inputFieldNames':['short_description']

    });

    // Add the estimate to the store to later be able to retrieve it.
    var my_unique_name = sn_ml.PredictabilityEstimateStore.add(myEstimate);

    // Train the estimate - this is a long running job 
    var myEstimateVersion = myEstimate.submitTrainingJob();