ClassificationSolutionVersion

ClassificationSolutionVersion - getPredictionPerformance(객체 옵션)

솔루션 정밀도와 적용 범위를 계산합니다.

이 메서드를 사용하려면 먼저 setPredictionSettings() 메서드를 사용하여 설정을 만들어야 합니다.

표 1. 매개변수
이름	유형	설명
옵션	객체	날짜 범위 내에서 검색할 메트릭을 선택합니다. 자세한 내용은 대상 지표 구성을 참조하세요. `{ "metricName" : "String", "fromDate" : "String", "toDate" : "String" }`
options.metricName		메트릭 이름입니다. 유효한 값은 다음과 같습니다. precision coverage
options.fromDate		옵션입니다. 시스템 날짜 시간 형식으로 메트릭을 검색할 시작 날짜입니다.
options.toDate		옵션입니다. 시스템 날짜 시간 형식으로 메트릭을 검색할 종료 날짜입니다.

표 2. 반환
유형	설명
객체	입력 메트릭에 대한 결과를 포함하는 구문 분석 가능한 JavaScript 객체입니다. `{ "metricName" : "String", "metricValue" : "String", "numberOfPredictionsConsidered" : "String" }`
Object.metricName	입력으로 선택한 메트릭의 이름입니다. 데이터 유형: 문자열
Object.metricValue	선택한 메트릭의 값입니다. 데이터 유형: 문자열
Object.numberOfRecords고려됨	계산에 고려된 예측 결과 [ml_predictor_results] 테이블의 기록 수입니다. 데이터 유형: 문자열

다음 예제에서는 솔루션의 활성 버전에서 정밀도 값을 가져오는 방법을 보여 줍니다.

// 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));

출력:

{
  "metricName": "precision",
  "metricValue": "70.10",
  "numberOfPredictionsConsidered": "10"
}

ClassificationSolutionVersion - getPredictionSettings()

ML 솔루션 [ml_solution] 테이블에서 예상 정밀도, 예상 범위, 예상 회수 값을 가져오고 클래스 신뢰도 [ml_class] 테이블에서 기록을 가져옵니다.

표 3. 매개변수
이름	유형	설명
없음

표 4. 반환
유형	설명
객체	각 클래스에 대한 예측 설정을 반환합니다. 데이터에는 ML 솔루션[ml_solution] 테이블의 학습된 모델에 포함된 모든 클래스의 정밀도, 범위, 재현율 및 분포 값이 포함됩니다. 자세한 내용은 예측 모델 구성요소를 참조하세요. `{ "<class name>": {Object} }`
<Object>.<클래스 이름>	클래스 신뢰도 [ml_class] 테이블의 훈련 통계량 데이터를 제공하는 객체로 구성된 배열입니다. 자세한 내용은 대상 지표 구성을 참조하세요. `{ "precision": "String", "coverage": "String", "recall": "String" }`
<Object>.<클래스 이름>.정밀도	이 클래스에 대해 예상되는 솔루션 정밀도 메트릭입니다. 데이터 유형: 문자열(숫자 값)
<Object>.<클래스 이름>.coverage	이 클래스에 대해 예상되는 솔루션 범위 메트릭입니다. 데이터 유형: 문자열(숫자 값)
<Object>.<클래스 이름>.recall	이 클래스에 대한 예상 솔루션 회수 메트릭입니다. 데이터 유형: 문자열(숫자 값)

다음 예제에서는 활성 솔루션 버전의 예측 설정을 가져오는 방법을 보여 줍니다.

var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization');

gs.print(JSON.stringify(JSON.parse(mlSolution.getActiveVersion().getPredictionSettings()), null, 2));

출력:

{
  "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()

솔루션 객체 속성을 가져옵니다. 및 버전 번호.

표 5. 매개변수
이름	유형	설명
없음

표 6. 반환
유형	설명
객체	데이터 집합 및 ClassificationSolution 버전 세부 정보의 내용입니다. 결과는 개체 속성 설정에 따라 다릅니다. `{ "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" }`
<Object>.algorithmConfig	솔루션을 인코딩하는 메서드입니다. 데이터 유형: 객체.
<Object>.algorithmConfig.algorithm	이 솔루션을 교육하기 위한 인코딩 알고리즘의 이름입니다. 가능한 값: xgboost: 훈련을 최적화하기 위한 XGBoost 인코딩. logisticRegression: 명목형 또는 서수와 같은 범주형 대상에 대해 로지스틱 회귀 모델을 사용하는 방법입니다. 데이터 유형: 문자열.
<Object>.algorithmConfig.targetClassRecall	클래스 회수 매개변수를 사용하여 솔루션의 학습이 특정 클래스를 편향하도록 유도합니다. 회수 값은 백분율을 나타내는 0에서 100 사이의 숫자입니다. 데이터 유형: 문자열
<Object>.datasetProperties	솔루션과 연결된 DatasetDefinition() 객체의 속성을 나열합니다. `{ "encodedQuery": "String", "fieldDetails": [Array], "fieldNames": [Array], "tableName": "String" }` 데이터 유형: 객체.
<Object>.datasetProperties.tableName	데이터 세트의 테이블 이름입니다. 예: `"tableName" : "Incident"`. 데이터 유형: 문자열.
<Object>.datasetProperties.fieldNames	지정된 테이블의 필드 이름 목록(문자열)입니다. 예를 들어 `"fieldNames" : ["short_description", "priority"]입니다`. 데이터 유형: 배열.
<Object>.datasetProperties.fieldNames.fieldDetails	필드 속성을 지정하는 JavaScript 객체의 목록입니다. `[ { "name": "String", "type": "String" } ]` 데이터 유형: 배열.
<Object>.datasetProperties.fieldNames.fieldDetails.입니다.<object> 이름	이 데이터 세트를 제한할 정보 유형을 정의하는 필드의 이름입니다. 데이터 유형: 문자열.
<Object>.datasetProperties.fieldDetails.입니다.<object> 형식	머신 러닝 필드 유형입니다. 데이터 유형: 문자열.
<Object>.datasetProperties.fieldDetails.encodedQuery	표준 Glide 형식으로 인코딩된 쿼리 문자열입니다. 인코딩된 쿼리 문자열을 참조하세요. 데이터 유형: 문자열.
<Object>.Domainname	이 데이터 세트와 연결된 도메인 이름입니다. Domain Separation 및 예측 인텔리전스을 참조하십시오. 데이터 유형: 문자열.
<Object>.인코더	이 솔루션에 할당된 인코더 개체입니다. 인코더 - 인코더(개체 구성) 문서를 참조하십시오. 데이터 유형: 객체.
<Object>.groupByFieldName	시스템에서 분류 솔루션을 빌드하기 위해 기록을 그룹화하는 필드 이름입니다. 데이터 유형: 문자열
<Object>.inputField이름	문자열로 표시된 입력 필드 이름의 목록입니다. 모델은 예측하는 데 사용되는 이러한 필드를 사용합니다. 데이터 유형: 문자열.
<Object>.Isactive	이 버전이 활성 상태인지 여부를 나타내는 플래그입니다. 유효한 값은 다음과 같습니다. true: 버전이 활성 상태입니다. false: 버전이 활성화되지 않았습니다. 데이터 유형: 문자열
<Object>.레이블	예측 작업을 식별합니다. `{ "label": "my first prediction" }` 데이터 유형: 문자열.
<Object>.이름	시스템에서 할당한 이름입니다. 데이터 유형: 문자열.
<Object>.predictedFieldName	예측 가능성을 위해 교육할 필드를 식별합니다. 데이터 유형: 문자열.
<Object>.processingLanguage입니다.	두 글자 ISO 639-1 언어 코드 형식의 처리 언어입니다. 데이터 유형: 문자열.
<Object>.범위	개체 범위입니다. 현재 유일하게 유효한 값은 `global`입니다. 데이터 유형: 문자열
<Object>.단어	옵션입니다. 시스템에서 속성 설정에 따라 자동으로 생성하는 문자열의 사전 설정 목록입니다 language . 자세한 내용은 사용자 지정 스톱 워드 목록 만들기를 참조하세요. 데이터 유형: 배열.
<Object>.trainingFrequency	모델을 재교육하는 빈도입니다. 가능한 값: every_30_days every_60_days every_90_days every_120_days every_180_days run_once 기본값: run_once 데이터 유형: 문자열.
<Object>.version번호	의 버전 번호 ClassificationSolution 개체입니다. 데이터 유형: 문자열.

다음 예제에서는 저장소에 있는 활성 개체 버전의 속성을 가져옵니다.

// Get properties
var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization');

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

출력:

*** 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 includeDetails)

교육 완료 상태를 가져옵니다.

표 7. 매개변수
이름	유형	설명
includeDetails	부울	상태를 반환할지 여부를 나타내는 플래그입니다 details. 유효한 값은 다음과 같습니다. true: 추가 상세 정보를 반환합니다. false: 추가 세부 정보를 반환하지 않습니다. 기본값: False

표 8. 반환
유형	설명
객체	다음에 대한 교육 상태 정보를 포함하는 JavaScript 객체ClassificationSolution 개체입니다. `{ "state": "String", "percentComplete": "Number as a String", "hasJobEnded": "Boolean value as a String", "details": {Object} }`
<Object>.상태	교육 완료 상태입니다. 훈련 작업이 종료 상태에 도달하면 작업은 해당 상태를 벗어나지 않습니다. 상태가 터미널 hasJobEnded 이면 속성이 `true`로 설정됩니다. 가능한 값: `fetching_files_for_training` `preparing_data` `재시도` `solution_cancelled` (터미널) `solution_complete` (터미널) `solution_error` (터미널) `solution_incomplete` `training_request_received` `training_request_timed_out` (터미널) `training_solution` `uploading_solution` `waiting_for_training` 데이터 유형: 문자열
<Object>.hasJobEnded입니다.	교육이 완료되었는지 여부를 나타내는 플래그입니다. 유효한 값은 다음과 같습니다. true: 교육이 완료되었습니다. false: 교육이 완료되지 않았습니다. 데이터 유형: 문자열로 된 부울 값
<Object>.퍼센트컴플리트	교육 완료율을 나타내는 0에서 100 사이의 숫자입니다. 완료율이 100 미만인 경우 작업이 종료 상태일 수 있습니다. 예를 들어 학습 시간이 초과되는 경우입니다. 데이터 유형: 문자열로 된 숫자
<Object>.세부 정보	추가 교육 상세 정보 목록이 포함된 객체입니다. 데이터 유형: 객체

다음 예제에서는 학습이 완료된 성공적인 결과를 보여 줍니다.

// Get status
var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization');

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

출력:

{
 "state":"solution_complete",
 "percentComplete":"100",
 "hasJobEnded":"true",
 "details":{"stepLabel":"Solution Complete"} // This information is only returned if getStatus(true);
}

다음 예제에서는 학습이 완료된 실패한 결과를 보여 줍니다.

// 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));

출력:

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

ClassificationSolutionVersion - getTrainingStatistics()

지정된 솔루션에 대한 모든 교육 통계를 가져옵니다.

표 9. 매개변수
이름	유형	설명
없음

표 10. 반환
유형	설명
객체	학습에 포함된 각 클래스에 대한 통계와 교육에서 제외된 각 클래스에 대한 값이 포함된 JavaScript 객체입니다. 자세한 내용은 예측 모델 구성요소를 참조하세요. `{ "includedClasses": {Object}, "excludedClasses": {Object} }`
<Object>.includedClasses	학습된 모델에서 각 클래스의 정밀도, 범위, 재현율 및 분포 값을 포함하는 객체입니다. `"includedClasses": { "<class name>": { "distribution": "String", "statistics": [Array] },` 데이터 유형: 객체.
<Object>.includedClasses.<클래스 이름>.distribution	이 클래스에 대한 결과 확률 분포의 값입니다. 데이터 유형: 문자열
<Object>.includedClasses.<클래스 이름>.statistics	교육 통계 데이터를 제공하는 객체 목록입니다. 자세한 내용은 대상 지표 구성을 참조하세요. `[ { "precision": "String", "coverage": "String", "recall": "String", "selected": "String" } ]` 데이터 유형: 배열
<Object>.includedClasses.<클래스 이름>.statistics.precision	이 클래스에 대해 예상되는 솔루션 정밀도 메트릭입니다. 데이터 유형: 문자열(숫자 값)
<Object>.includedClasses.<class name>.statistics.coverage	이 클래스에 대해 예상되는 솔루션 범위 메트릭입니다. 데이터 유형: 문자열(숫자 값)
<Object>.includedClasses.<클래스 이름>.statistics.recall	이 클래스에 대한 예상 솔루션 회수 메트릭입니다. 데이터 유형: 문자열(숫자 값)
<Object>.includedClasses.<클래스 이름>.statistics.selected	이 클래스에 솔루션 교육에 포함된 기록이 포함되어 있는지 여부를 나타내는 플래그입니다. 유효한 값은 다음과 같습니다. true: 이 클래스에는 솔루션 학습을 위해 선택한 레코드가 포함됩니다. false: 이 클래스는 교육에서 제외됩니다. 기본값: false 데이터 유형: 문자열(부울 값)
<Object>.excludedClasses	교육에서 제외된 모든 클래스의 분포 및 행 수입니다. `"excludedClasses": { "<class name>": { "distribution": "0.11", "rowCount": "9" }` 데이터 유형: 객체.
<Object>.excludedClasses.<클래스 이름>.distribution	이 클래스에 대한 결과 확률 분포의 값입니다. 데이터 유형: 문자열
<Object>.excludedClasses.<클래스 이름>.rowCount	교육에서 제외된 행의 수입니다. 데이터 유형: 문자열(숫자 값)

다음 예제에서는 활성 솔루션에서 학습 통계를 가져오는 방법을 보여 줍니다.

// Get training stats
var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization');

gs.print(JSON.stringify(JSON.parse(mlSolution.getActiveVersion().getTrainingStatistics()), null, 2));

출력:

{
  "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()

다음의 버전 번호를 가져옵니다. 솔루션 개체입니다.

표 11. 매개변수
이름	유형	설명
없음

표 12. 반환
유형	설명
문자열	버전 번호입니다.

다음 예제에서는 버전 번호를 가져오는 방법을 보여 줍니다.

// 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));

출력:

Version number: 1

ClassificationSolutionVersion - predict(객체 입력, 객체 옵션)

예측에 대한 입력 데이터를 가져옵니다.

표 13. 매개변수
이름	유형	설명
입력	객체	글라이드기록 또는 필드 이름과 값을 키-값 쌍으로 포함하는 JSON 객체의 배열입니다.
옵션	객체	예측 결과를 필터링하기 위한 선택적 값입니다. `{ "apply_threshold": Boolean, "top_n": Number }`
options.apply_threshold	부울	솔루션에 대한 임계값을 확인하고 결과 집합에 적용할지 여부를 나타내는 플래그입니다. 유효한 값은 다음과 같습니다. true: 신뢰도가 임계값보다 큰 결과를 반환합니다. false: 모든 결과를 반환합니다. 기본값: True
options.top_n	번호	제공된 경우 지정된 예측 수까지 상위 결과를 반환합니다.

표 14. 반환
유형	설명
객체	sys_id 또는 record_number별로 정렬된 예측 결과를 포함하는 JSON 객체입니다. `{ <identifier>: [Array] }`
<Object>.<identifier입니다>	각 예측 결과에 대한 상세 정보가 있는 객체 목록입니다. `<identifier>: [ { "confidence": Number, "predictedSysId": "String", "predictedValue": "String", "threshold": Number } ]` 데이터 유형: 배열
<Object>.<식별자>.<object>. 자신감	예측과 관련된 신뢰도 값입니다. 예: 53.84. 데이터 유형: 숫자
<Object>.<식별자>.<object>. predictedSysId	예측 값의 sys_id입니다. 정보가 예측되는 모든 테이블에서 결과가 나올 수 있습니다. 데이터 유형: 문자열
<Object>.<식별자>.<object>. predictedValue	예측 결과를 나타내는 값입니다. 데이터 유형: 문자열
<Object>.<식별자>.<object>. 임계값	예측과 연결된 구성된 임계치의 값입니다. 데이터 유형: 숫자

다음 예시에서는 입력에 대해 GlideRecord를 sys_id로 사용하고 상위 3개 결과로 제한하고 임계값을 제외하는 선택적 매개변수를 포함하는 predict() 메서드에 대한 예측 결과를 표시하는 방법을 보여줍니다.

var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization');

// single GlideRecord input
var input = new GlideRecord("incident");
input.get("<sys_id>");

// 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));

출력:

{
  "<sys_id/gr>": [
    {
      "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": ""
    }
  ]
}

다음 예제에서는 필드 이름 배열을 입력에 대한 키-값 쌍으로 사용하고 상위 3개 결과로 제한하고 임계값을 제외하는 선택적 매개 변수를 포함하는 predict() 메서드에 대한 예측 결과를 표시하는 방법을 보여 줍니다.

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));

출력:

{
  "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(객체 옵션)

솔루션 수준 또는 클래스 수준에서 정밀도, 범위 또는 재현율 값을 설정합니다.

표 15. 매개변수
이름	유형	설명
옵션	객체	메트릭 구성 값입니다. 이러한 기능에 대한 자세한 내용은 대상 지표 구성을 참조하세요. `{ "metricName" : "String", "metricValue" : "String", "className" : "String" }`
options.metricName	문자열	설정할 메트릭의 이름입니다. 유효한 값은 다음과 같습니다. precision coverage recall
options.metricValue	문자열	메트릭에 할당할 숫자 값입니다.
options.className	문자열	옵션입니다. 결과를 제한할 클래스의 이름입니다. getTrainingStatistics() 메서드를 사용하여 솔루션에 대한 전체 클래스 목록을 검색합니다.

표 16. 반환
유형	설명
없음

다음 예제에서는 Clone Issues라는 클래스에 대해 정밀도 메트릭을 89.5로 설정하는 방법을 보여 줍니다.

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);

ClassificationSolutionVersion - 전역

워싱턴 DC API 참조