Loading
CRM Analyticsin
Sisällysluettelo
Suodatusperuste (0)Lisää
Valitse suodattimet

          Ei tuloksia
          Ei tuloksia
          Tässä on joitain hakuvinkkejä

          Tarkista avainsanojesi oikeinkirjoitus.
          Käytä yleisempiä hakutermejä.
          Laajenna hakua valitsemalla vähemmän suodattimia.

            Hae koko Salesforce-ohjeesta
            Hae koko Salesforce-ohjeesta
            Ristiinvahvistus-välilehti numeroiden käyttämiseen

            Olet tässä:

            1. Salesforce-ohje
            2. Asiakirja
            3. CRM Analyticsin

            Ristiinvahvistus-välilehti numeroiden käyttämiseen

            Einstein Discovery käyttää k-kertaista ristiinvalidointia testatakseen mallin kykyä tehdä ennusteita, eli prosessia, joka vähentää mallin vahvistuksessa näytteen vinoumia. Tämä välilehti näyttää yhteenvedon tämän mallin ristiinvalidointiprosessin tuloksista sekä lisätietoja sen perustana olevista laskutoimista.

            Huomautus
            Huomautus Einstein Discovery -tarinat ovat nyt malleja. Odotamme, että päivitämme nimen kaikkialla, mutta aiempi nimi näytetään vain muutamassa paikassa, kunnes korvaamme sen.

            Ristiinvahvistus-välilehteen siirtyminen

            Napsauta Suorituskyky-osiosta Mallin arviointi ja valitse Ristiintarkastus.

            Ristiintarkastus-välilehti ja 4-kertaisen ristiinvalidoinnin tulokset

            Ristiinvahvistus-välilehden sarakkeet

            Sarakkeen nimi Kuvaus
            Mittataulukon nimi Tilaston nimi.
            Koulutusjoukko Tilastot CRM Analytics -datajoukon observaatioiden joukolle, jota Einstein Discovery käyttää mallin koulutukseen.
            Vahvistusjoukko Tilastot CRM Analytics -datajoukon observaatioiden joukolle, jota Einstein Discovery käyttää vahvistaakseen koulutetun mallin luomat ennusteet.
            Ositus #1 Testien ensimmäisen suorituskerran tilastot.
            Ositus #2 Testien toisen suorituskerran tilastot.
            Ositus #3 Testien kolmannen suorituskerran tilastot.
            Ositus #4 Testien neljännen suorituskerran tilastot.

            Ristiinvahvistus-välilehden tilastot

            Ristiinvahvistus-välilehdessä näytetään seuraavat mallia koskevat tilastot.

            Mittataulukon nimiKuvaus
            Rivien määrä

            Observaatioiden kokonaismäärä. Arvon tarkoitus vaihtelee sarakkeen mukaan.

            • Numerot ovat samoja Koulutusjoukko- ja Vahvistusjoukko-sarakkeille. Tämä arvo osoittaa observaatioiden kokonaismäärän, jota käytetään mallin luomiseen käytetyssä datajoukossa.
            • Sarakkeissa Taitto#1–Taitto#4 tämä arvo osoittaa, kuinka moni observaatioista osui kyseiseen taittoon (noin 25 % koko datajoukosta).
            • Keskiarvo-sarakkeessa tämä arvo osoittaa taittojen keskiarvon, eli datajoukon observaatioiden määrä jaettuna neljällä.

            R2

            R2 mittaa mallin kykyä selittää lopputuloksen variaatiota, mikä osoittaa, miten ennakoiva malli on.

            Arvoalue:

            • 0 tarkoittaa, että malli ei kykene selittämään lopputuloksen variaatiota ollenkaan (satunnainen todennäköisyys).
            • 1 tarkoittaa, että malli selittää variaation kokonaan (täydellinen malli).
            MSE Jäännösvarianssi. Mittaa mallin ennusteiden poikkeamien keskiarvoa. MSE laskee havaitun (todellisen) lopputuloksen ja ennustettujen arvojen välisen eron potenssiin kaksi ja laskee niiden keskiarvon.
            RMSE Keskineliövirheen neliöjuuri Edustaa virheiden neliöllisen keskiarvon neliöjuurta. RMSE mittaa mallin ennustamien arvojen ja havaittujen (todellisten) arvojen eron. Voit ajatella tämän arvon olevan ”virheiden keskihajonta”.
            MAE Keskipoikkeama. Mittaa todellisen ja ennustetun arvon absoluuttisen poikkeaman. Tässä keskiarvossa kaikkia poikkeamia painotetaan yhtä paljon, mikä tarkoittaa, että poikkeavat arvot eivät vaikuta siihen yhtä vahvasti kuin jäännösvarianssiin (MSE).
            RMSLE

            Neliöllisen keskiarvon logaritminen virhe. Verrattaessa RMSE-lukemaan:

            • RMSLE ei ole yhtä herkkä poikkeaville arvoilla kuin RMSE. RMSE vähentää pisteitä vain virheen kokonaisskaalasta, kun taas RMSLE vähentää pisteitä virheen skaalasta suhteessa todelliseen arvoon.
            • RMSLE vähentää enemmän pisteitä alittavista ennusteista kuin ylittävistä ennusteista. Tämä osatekijä tekee RMSLE:stä hyödyllisemmän kuin RMSE, kun haluat ennusteiden olevan mieluummin liian suuria kuin liian pieniä. Jos haluat esimerkiksi optimoida säilykeruokien inventaarion, saatat haluta, että säilykkeitä on mieluummin liikaa kuin että varasto loppuisi kesken.
            Jäännösdevianssi

            Mittaa, kuinka hyvin kehitetty malli toimii datajoukollesi.

            • Aivan kuin null-devianssillakin, alhaisemmat arvot tarkoittavat parempaa yhteensopivuutta. Jos siis jäännösdevianssi on alhainen, malli käsittelee dataa hyvin.
            • Mitä suurempi jäännösdevianssin ja null-devianssin eroavaisuus on, sitä paremmin malli osaa poimia kompleksisuuksia datasta.
            Keskiarvoinen jäännösdevianssi

            Mittaa, kuinka hyvin malli toimii datajoukollesi. Pienemmät arvot tarkoittavat parempaa sovitetta.
            Null-devianssi Mittaa, miten hyvin yksinkertainen malli toimii datajoukollesi. Alhaisemmat arvot tarkoittavat parempaa sovitusta. Jos siis null-devianssi on alhainen, datasi ei ole kovin monimutkaista.
            Null-vapausaste Osoittaa null-devianssin khii toiseen -jakaumat.
            Jäännösvapausaste Osoittaa jäännösdevianssin khii toiseen -jakaumat.

            Mallin validoinnin metodologia

            Einstein Discovery suorittaa mallillesi k-kertaisen ristiinvalidoinnin (k=4). Tämä prosessi kattaa seuraavat vaiheet:

            • CRM Analytics -datajoukon kaikki observaatiot jaetaan satunnaisesti neljään erilliseen yhtä suureen osioon.
            • Suoritetaan neljä testiä (fold), joissa kolme osiota toimivat koulutusjoukkona ja yksi osio toimii testijoukkona.
              Huomautus
              Huomautus Kun testit on suoritettu neljä kertaa, jokainen osio on toiminut kerran vahvistusjoukkona ja kolme kertaa osana koulutusjoukkoa.
            • Mallin tilastot kerätään yhteen jokaiselta suorituskerralta.
            • Neljän testikerran keskiarvo kerätään kokonaispisteitä varten.

            Katso myös:

             
            Ladataan
            Salesforce Help | Article