Data Cloud: 結果変数のバリエーション不足によるモデルトレーニングの失敗に対する対処

予測モデルをトレーニングする場合、結果変数にバリエーションを持たせることが重要です。バリエーションがない場合、つまり結果フィールド（例：ブーリアンフィールド）に1種類の値（例：すべて false 値）しか含まれていない場合、モデルは学習して正確な予測を行うことができません。効果的なモデルトレーニングのためには、選択したフィールドに 1% を超える異なる値が含まれている必要があります。

たとえば、バイナリ分類モデルのトレーニングに使用される 10,000 個のサンプルレコードがある場合、少なくとも 101 個のレコードが true 値を持ち、残りのレコードが false 値を持つか、またはその逆であることを確認してください。

結果フィールドにバリエーションがない場合、Einstein モデルを実行しようとすると、「結果変数に十分なバリエーションがありません。バリエーションのあるデータを追加するか、別の結果変数を選択してください。」というエラーメッセージが表示されます。

この問題を解決するには、データセットに結果変数に十分な異なる値が含まれていることを確認してください。このバリエーションは、モデルがさまざまな結果を正確に理解し、予測するために不可欠です。