Verfolgen Sie die Ergebnisse der Klassifizierungsvorhersage im Zeitverlauf

  • Freigeben Version: Zurich
  • Aktualisiert 31. Juli 2025
  • 1 Minute Lesedauer

    • Verwenden Sie das Dashboard „Vorhersageergebnisse“, um zu bestimmen, ob sich die Vorhersagen der Klassifizierungslösung im Laufe der Zeit verbessern. Identifizieren Sie Lösungen, die verfeinert oder neu trainiert werden müssen.

    Vorbereitungen

    • Erforderliche Rolle: admin, ml_admin oder ml_report_user

    Warum und wann dieser Vorgang ausgeführt wird

    Das Dashboard „Vorhersageergebnisse“ berichtet über Abdeckung, Genauigkeit und Rückruf für Klassifizierungslösungen im Zeitverlauf.

    Mit Xanadu Release, wurde dieses Dashboard zu migriert Next Experience UI. Kunden, die ein Upgrade von vorherigen Releases durchführen, können auf zugreifen Core-UI Version aus dem aktuellen Dashboard. Das Dashboard „Vorhersageergebnisse“ für Klassifizierungslösungen, das in der Next Experience-UI angezeigt wird.

    Im Dashboard „Vorhersageergebnisse“ werden Statistiken in zwei Zeitrahmen bereitgestellt: Dem Durchschnitt der letzten 30 Tage und täglich. Die Indikatoren Abdeckung , Genauigkeit , Und Rückruf Sind wie folgt definiert.
    Tabelle : 1. Indikatoren für Vorhersageergebnisse
    Berichtstyp Definition
    Abdeckung Der Prozentsatz der Vorhersagen, die ein Ergebnis aus der Gesamtzahl der versuchten Vorhersagen ergeben haben.
    Genauigkeit Der Prozentsatz der Vorhersagen, bei denen der vorhergesagte Wert mit dem endgültigen Wert des Felds übereinstimmte, als der Bericht geschlossen wurde.
    Zurückrufen Der Prozentsatz der richtigen Vorhersagen, die ein Ergebnis aus der Gesamtzahl der versuchten Vorhersagen ergeben haben.

    Prozedur

    1. Navigieren zu Alle > Predictive Intelligence > Klassifizierung > Vorhersage-Ergebnisberichtan.
    2. Wählen Sie in der Eingabeaufforderung Nach Lösung filtern des Dashboard für Vorhersage-Ergebnisse die Lösungsstatistiken aus, die Sie überprüfen möchten.
      Das System aktualisiert das Dashboard abhängig von der ausgewählten Lösung.
    3. Identifizieren Sie Klassen mit anomalen Abdeckungs-, Genauigkeits- oder Rückrufwerten.
      Identifizieren Sie beispielsweise Lösungen, bei denen die Abdeckung, Genauigkeit oder Rückruf im Laufe der Zeit abnimmt.

    Nächste Maßnahme

    Verfeinern Sie den Lösungsdefinitionsfilter, indem Sie Klassen nach Bedarf ein- oder ausschließen. Trainieren Sie die Lösung nach der Aktualisierung erneut.