ClassificationSolutionVersion – Global

Die ClassificationSolutionVersion -API ist ein skriptfähiges Objekt, das in Predictive Intelligence -Speichern verwendet wird.

Diese(s) Die API erfordert das Plugin Predictive Intelligence (com.glide.platform_ml) und wird im sn_ml- Namespace bereitgestellt.

Diese API wird zum Arbeiten mit Lösungsversionen verwendet, die auf ClassificationSolution-API -Objekten im ClassificationSolution-Speicherbasieren.

Das System erstellt bei jedem Training einer Lösungsdefinition eine Lösungsversion. Die meisten Versionen werden während des geplanten Lösungstrainings erstellt.

Methoden in dieser API sind mit den folgenden ClassificationSolution- Methoden zugänglich:

• getActiveVersion()
• getAllVersions()
• getLatestVersion()
• getVersion()

ClassificationSolutionVersion – getPredictionPerformance(Object options)

Berechnet die Genauigkeit und Abdeckung der Lösung.

Um diese Methode zu verwenden, müssen Sie zuerst Einstellungen mit der setPredictionSettings()- Methode erstellen.

Tabelle : 1. Parameter

Name	Typ	Beschreibung
Optionen	Objekt	Wählt eine Metrik aus, die innerhalb einer Zeitspanne von Datumsangaben abgerufen werden soll. Weitere Informationen finden Sie unter Zielmetriken konfigurieren. {     "metricName" : "String",     "fromDate" : "String",     "toDate" : "String" }
options.metricName		Name der Metrik Gültige Werte: precision coverage
options.fromDate		Optional. Startdatum, ab dem Metriken im Systemdatums-/-zeitformat abgerufen werden sollen.
Optionen.bisDatum		Optional. Enddatum, ab dem Metriken im Systemdatum/-zeit-Format abgerufen werden sollen.

Tabelle : 2. Ergebnisse

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.numberOfRecordsConsidered	Anzahl der Datensätze in der Tabelle „Vorhersageergebnisse“ [ml_predictor_results], die für Berechnungen berücksichtigt werden. Datentyp: Zeichenfolge

Das folgende Beispiel zeigt, wie ein Genauigkeitswert aus der aktiven Version einer Lösung abgerufen wird.

// 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()

Ruft die geschätzte Genauigkeit, die geschätzte Abdeckung, die geschätzten Rückrufwerte aus der Tabelle „ML-Lösungen“ [ml_solution] und Datensätze aus der Tabelle „Klassenkonfidenz“ [ml_class] ab.

Tabelle : 3. Parameter

Name	Typ	Beschreibung
Keine

Tabelle : 4. Ergebnisse

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. Weitere Informationen finden Sie unter Komponenten des Vorhersagemodells. { "<class name>": {Object} }
<Object>.<class name>	Array von Objekten, die Trainingsstatistikdaten aus der Tabelle „Klassenkonfidenz“ [ml_class] bereitstellen. Weitere Informationen finden Sie unter Zielmetriken konfigurieren. { "precision": "String", "coverage": "String", "recall": "String" }
<Object>.<class name> .Genauigkeit	Geschätzte Lösungsgenauigkeitsmetrik für diese Klasse. Datentyp: Zeichenfolge (numerischer Wert)
<Object>.<class name> .Abdeckung	Geschätzte Lösungsabdeckungsmetrik für diese Klasse. Datentyp: Zeichenfolge (numerischer Wert)
<Object>.<class name> .Rückruf	Geschätzte Lösungsrückrufmetrik für diese Klasse. Datentyp: Zeichenfolge (numerischer Wert)

Das folgende Beispiel zeigt, wie Vorhersageeinstellungen einer aktiven Lösungsversion abgerufen werden.

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()

Ruft Eigenschaften des Lösungsobjekts ab und Versionsnummer.

Tabelle : 5. Parameter

Name	Typ	Beschreibung
Keine

Tabelle : 6. Ergebnisse

Typ	Beschreibung
Objekt	Inhalt der Datensatz- und ClassificationSolution -Versionsdetails. Die Ergebnisse variieren je nach Setup 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" }
<Object>.algorithmConfig	Methode zum Codieren der Lösung. Datentyp: Objekt.
<Object>.algorithmConfig.algorithm	Name des Codierungsalgorithmus zum Trainieren dieser Lösung. Mögliche Werte: xgboost: XGBoost-Codierung zur Optimierung des Trainings. logisticRegression: Methode, die das logistische Regressionsmodell für kategoriale Ziele wie Nominal oder Ordinal verwendet. Datentyp: Zeichenfolge.
<Object>.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
<Object>.datasetEigenschaften	Listet die Eigenschaften des DatasetDefinition()- Objekts auf, das der Lösung zugeordnet ist. { "encodedQuery": "String", "fieldDetails": [Array], "fieldNames": [Array], "tableName": "String" } Datentyp: Objekt.
<Object>.datasetProperties.tableName	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 der JavaScript-Objekte, die Feldeigenschaften angeben. [ { "name": "String", "type": "String" } ] Datentyp: Array.
<Object>.datasetProperties.fieldNames.fieldDetails.<object>.name	Name des Felds, das den Typ der Informationen definiert, auf die dieser Datensatz beschränkt werden soll. Datentyp: Zeichenfolge.
<Object>.datasetProperties.fieldDetails.<object>.type	ML-Feldtyp (maschinelles Lernen). Datentyp: Zeichenfolge.
<Object>.datasetProperties.fieldDetails.encodedQuery	Codierte Abfragezeichenfolge im Standard-Glide-Format. Weitere Informationen finden Sie unter Codierte Abfragezeichenfolgen. Datentyp: Zeichenfolge.
<Object>.domainName	Domänenname, der diesem Datensatz zugeordnet ist. Siehe Domänentrennung und Predictive Intelligence. Datentyp: Zeichenfolge.
<Object>.Encoder	Encoder-Objekt, das dieser Lösung zugewiesen ist. Siehe Encoder: Encoder(Object config). Datentyp: Objekt.
<Object>.groupByFieldName	Feldname, nach dem das System Datensätze gruppiert, um Klassifizierungslösungen zu erstellen. Datentyp: Zeichenfolge
<Object>.inputFieldNames	Liste der Eingabefeldnamen als Zeichenfolgen. Das Modell verwendet die folgenden Felder, um Vorhersagen zu treffen. Datentyp: Zeichenfolge.
<Object>.ist Aktiv	Kennzeichnung, die angibt, ob diese Version aktiv ist. Gültige Werte: true: Version ist aktiv. false: Version ist nicht aktiv. Datentyp: Zeichenfolge
<Object>.Bezeichnung	Identifiziert die Vorhersageaufgabe. { "label": "my first prediction" } Datentyp: Zeichenfolge.
<Object>.name	Vom System zugewiesener Name. Datentyp: Zeichenfolge.
<Object>.predictedFieldName	Identifiziert ein Feld, das für die Vorhersagbarkeit trainiert werden soll. Datentyp: Zeichenfolge.
<Object>.processingLanguage	Verarbeitungssprache im aus zwei Buchstaben bestehenden ISO 639-1-Sprachcodeformat. Datentyp: Zeichenfolge.
<Object>.Bereich	Objektumfang. Derzeit ist der einzige gültige Wert global. Datentyp: Zeichenfolge
<Object>.Stoppwörter	Optional. Voreingestellte Liste von Zeichenfolgen, die das System basierend auf der Eigenschaftseinstellung language automatisch generiert. Weitere Informationen finden Sie unter Benutzerdefinierte Stoppwortlisten erstellen. Datentyp: Array.
<Object>.trainingHäufigkeit	Die Häufigkeit, mit der das Modell neu trainiert werden soll. Mögliche Werte: jeden_30_Tage alle_60_Tage all_90_days all_120_days all_180_days run_once Standard: run_once Datentyp: Zeichenfolge.
<Object>.Versionsnummer	Versionsnummer des ClassificationSolution- Objekt. Datentyp: Zeichenfolge.

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 includeDetails)

Ruft den Abschlussstatus des Trainings ab.

Tabelle : 7. Parameter

Name	Typ	Beschreibung
includeDetails	Boolean	Kennzeichnung, die angibt, ob der Status detailszurückgegeben werden soll. Gültige Werte: true: Zusätzliche Details zurückgeben. false: Keine zusätzlichen Details zurückgeben. Standardwert: False

Tabelle : 8. Ergebnisse

Typ	Beschreibung
Objekt	JavaScript-Objekt, das Informationen zum Trainingsstatus für enthält ein ClassificationSolution- Objekt. { "state": "String", "percentComplete": "Number as a String", "hasJobEnded": "Boolean value as a String", "details": {Object} }
<Object>an.Status	Abschlussstatus des Trainings. Wenn der Trainingsauftrag einen Endstatus erreicht, verlässt der Auftrag diesen Status nicht. Wenn der Status abgeschlossen ist, wird die Eigenschaft hasJobEnded auf truefestgelegt. Mögliche Werte: fetching_files_for_training vorbereiten_daten Erneut versuchen solution_cancelled (Terminal) solution_complete (Terminal) solution_error (Terminal) solution_incomplete „training_request_received“ „training_request_timed_out “ (Terminal) „training_solution“ wird hochgeladen wait_for_training Datentyp: Zeichenfolge
<Object>.hasJobEnded	Kennzeichnung, die angibt, ob das Training abgeschlossen ist. Gültige Werte: true: Training ist abgeschlossen. false: Training ist unvollständig. Datentyp: Boolescher Wert als Zeichenfolge
<Object>.percentComplete	Zahl zwischen null und 100, die den Abschluss des Trainings in Prozent angibt. Wenn der Prozentsatz der Fertigstellung weniger als 100 beträgt, befindet sich die Aufgabe möglicherweise in einem Endstatus. Zum Beispiel, wenn beim Training eine Zeitüberschreitung auftritt. Datentyp: Zahl als Zeichenfolge
<Object>.Details	Objekt mit einer Liste zusätzlicher Schulungsdetails. Datentyp: Objekt

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 – getTrainingStatistics()

Ruft alle Trainingsstatistiken für eine gegebene Lösung ab.

Tabelle : 9. Parameter

Name	Typ	Beschreibung
Keine

Tabelle : 10. Ergebnisse

Typ	Beschreibung
Objekt	JavaScript-Objekt mit Statistiken für jede im Training enthaltene Klasse und Werten für jede Klasse, die vom Training ausgeschlossen wurde. Weitere Informationen finden Sie unter Komponenten des Vorhersagemodells. { "includedClasses": {Object}, "excludedClasses": {Object} }
<Object>.includedClasses	Objekt, das die Werte für Genauigkeit, Abdeckung, Rückruf und Verteilung jeder Klasse im trainierten Modell enthält. "includedClasses": { "<class name>": { "distribution": "String", "statistics": [Array] }, Datentyp: Objekt.
<Object>.includedClasses.<class name> .Verteilung	Wert der Ergebniswahrscheinlichkeitsverteilung für diese Klasse. Datentyp: Zeichenfolge
<Object>.includedClasses.<class name> .Statistiken	Liste der Objekte, die Trainingsstatistikdaten bereitstellen. Weitere Informationen finden Sie unter Zielmetriken konfigurieren. [ { "precision": "String", "coverage": "String", "recall": "String", "selected": "String" } ] Datentyp: Array
<Object>.includedClasses.<class name> .Statistiken.Genauigkeit	Geschätzte Lösungsgenauigkeitsmetrik für diese Klasse. Datentyp: Zeichenfolge (numerischer Wert)
<Object>.includedClasses.<class name> .Statistiken.Abdeckung	Geschätzte Lösungsabdeckungsmetrik für diese Klasse. Datentyp: Zeichenfolge (numerischer Wert)
<Object>.includedClasses.<class name> .Statistiken.Rückruf	Geschätzte Lösungsrückrufmetrik für diese Klasse. Datentyp: Zeichenfolge (numerischer Wert)
<Object>.includedClasses.<class name> .Statistiken.ausgewählt	Kennzeichnung, die angibt, ob diese Klasse Datensätze enthält, die im Lösungstraining enthalten sind. Gültige Werte: true: Diese Klasse enthält Datensätze, die zum Trainieren der Lösung ausgewählt wurden. false: Diese Klasse wird vom Training ausgeschlossen. Standardwert: false Datentyp: Zeichenfolge (boolescher Wert)
<Object>.ausgeschlosseneKlassen	Verteilung und Zeilenanzahl aller vom Training ausgeschlossenen Klassen. "excludedClasses": { "<class name>": { "distribution": "0.11", "rowCount": "9" } Datentyp: Objekt.
<Object>.ausgeschlosseneKlassen.<class name> .Verteilung	Wert der Ergebniswahrscheinlichkeitsverteilung für diese Klasse. Datentyp: Zeichenfolge
<Object>.ausgeschlosseneKlassen.<class name> .rowAnzahl	Anzahl der vom Training ausgeschlossenen Zeilen. Datentyp: Zeichenfolge (numerischer Wert)

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()

Ruft die Versionsnummer von ab ein Lösungsobjekt.

Tabelle : 11. Parameter

Name	Typ	Beschreibung
Keine

Tabelle : 12. Ergebnisse

Typ	Beschreibung
Zeichenfolge	Versionsnummer.

Das folgende Beispiel zeigt, wie Sie eine Versionsnummer erhalten.

// 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 – prediction(Object input, Object options)

Ruft die Eingabedaten für eine Vorhersage ab.

Tabelle : 13. Parameter

Name	Typ	Beschreibung
Eingabe	Objekt	GlideRecord 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 }
options.apply_threshold	Boolean	Kennzeichnung, die angibt, ob der Schwellenwert für die Lösung überprüft und auf die Ergebnismenge angewendet werden soll. Gültige Werte: true: Ergebnisse zurückgeben, bei denen die Konfidenz größer als der Schwellenwert ist. false: Alle Ergebnisse zurückgeben. Standardwert: True
options.top_n	Nummer	Wenn angegeben, werden die besten Ergebnisse bis zur angegebenen Anzahl von Vorhersagen zurückgegeben.

Tabelle : 14. Ergebnisse

Typ	Beschreibung
Objekt	JSON-Objekt, das die Vorhersageergebnisse enthält, sortiert nach sys_id oder record_number. { <identifier>: [Array] }
<Object>.<identifier>	Liste von Objekten mit Details für jedes Vorhersageergebnis. <identifier>: [ { "confidence": Number, "predictedSysId": "String", "predictedValue": "String", "threshold": Number } ] Datentyp: Array
<Object><identifier> .<object>.Konfidenz	Wert der Konfidenz, die der Vorhersage zugeordnet ist. Beispiel: 53,84. Datentyp: Zahl
<Object><identifier> .<object>.predictedSysId	Die sys_id des vorhergesagten Werts. Die Ergebnisse können aus jeder Tabelle stammen, in der Informationen vorhergesagt werden. Datentyp: Zeichenfolge
<Object><identifier> .<object>.predictedValue	Wert, der das Vorhersageergebnis darstellt. Datentyp: Zeichenfolge
<Object><identifier> .<object>.threshold	Wert des konfigurierten Schwellenwerts, der der Vorhersage zugeordnet ist. Datentyp: Zahl

Das folgende Beispiel zeigt, wie Vorhersageergebnisse für eine prediction ()- Methode angezeigt werden, die einen GlideRecord nach sys_id als Eingabe akzeptiert und optionale Parameter enthält, um die ersten drei 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("<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));

Ausgabe:

{
  "<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": ""
    }
  ]
}

Das folgende Beispiel zeigt, wie Vorhersageergebnisse für eine prediction ()- Methode angezeigt werden, die ein Array von Feldnamen als Schlüssel-Wert-Paare für die Eingabe verwendet und optionale Parameter enthält, um die ersten drei 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)

Legt Genauigkeits-, Abdeckungs- oder Rückrufwerte auf Lösungsebene oder Klassenebene fest.

Tabelle : 15. Parameter

Name	Typ	Beschreibung
Optionen	Objekt	Metrikkonfigurationswerte. Weitere Informationen zu diesen Funktionen finden Sie unter Zielmetriken konfigurieren. { "metricName" : "String", "metricValue" : "String", "className" : "String" }
options.metricName	Zeichenfolge	Name der festzulegenden Metrik. Gültige Werte: precision coverage recall
options.metricValue	Zeichenfolge	Numerischer Wert, der der Metrik zugewiesen werden soll.
options.className	Zeichenfolge	Optional. Name der Klasse, auf die die Ergebnisse beschränkt werden sollen. Verwenden Sie die Methode getTrainingStatistics(), um eine vollständige Liste von Klassen für eine Lösung abzurufen.

Tabelle : 16. Ergebnisse

Typ	Beschreibung
Keine

Das folgende Beispiel zeigt, wie eine Genauigkeitsmetrik für eine Klasse mit dem Namen Clone Issuesauf 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);