Ti trovi qui:
Scheda Convalida incrociata per i casi d'uso di classificazione multiclasse
Per testare la capacità di un modello di formulare previsioni, Einstein Discovery utilizza la convalida incrociata k-fold, un processo che riduce la distorsione di campionamento durante la convalida di un modello. Questa scheda riepiloga i risultati del processo di convalida incrociata per il modello e alcuni dei dettagli di calcolo sottostanti.
Nota Le storie di Einstein Discovery ora sono modelli. Stiamo facendo il possibile per aggiornare il nome ovunque, ma in alcuni punti potrebbe essere ancora visualizzato il nome precedente.
Navigazione alla scheda Convalida incrociata
In Prestazioni, fare su Valutazione del modello, quindi su Convalida incrociata.
Colonne della scheda Convalida incrociata
| Nome colonna | Descrizione |
|---|---|
| Nome metrica | Nome della metrica. |
| Insieme di addestramento | Metriche per l'insieme di osservazioni della serie di dati CRM Analytics utilizzata da Einstein Discovery per eseguire l'addestramento del modello. |
| Insieme di convalida | Metriche per l'insieme di osservazioni della serie di dati CRM Analytics utilizzata da Einstein Discovery per convalidare le previsioni generate dal modello di cui è stato eseguito l'addestramento. |
| Sottoinsieme n. 1 | Metriche del primo sottoinsieme. |
| Sottoinsieme n. 2 | Metriche del secondo sottoinsieme. |
| Sottoinsieme n. 3 | Metriche del terzo sottoinsieme. |
| Sottoinsieme n. 4 | Metriche del quarto sottoinsieme. |
Metriche della scheda Convalida incrociata
| Nome metrica | Descrizione |
|---|---|
| Numero di righe | Numero totale di osservazioni. Il significato di un valore varia a seconda della colonna.
|
| Perdita logaritmica | La perdita logaritmica. Misura le prestazioni del modello su una scala da 0 a 1, dove 0 rappresenta un modello perfetto (la probabilità prevista corrisponde al 100% alle osservazioni effettive). Minore è la corrispondenza della probabilità prevista con le osservazioni effettive (prestazioni inferiori), maggiore è la perdita logaritmica. La perdita logaritmica prende in considerazione l'incertezza nelle prestazioni del modello. |
| Errore medio per classe | Misura con che frequenza le previsioni sono errate. Valori più bassi indicano che le previsioni sono errate meno spesso, e che quindi il modello genera previsioni migliori. |
Metodologia di convalida del modello
Einstein Discovery esegue la convalida incrociata k-fold (k=4) nel modello. Questo processo include i seguenti passaggi:
- Suddividere in modo casuale tutte le osservazioni della serie di dati CRM Analytics in quattro partizioni separate di uguale dimensione.
- Eseguire quattro passaggi di test (sottoinsiemi) in cui tre partizioni vengono utilizzate come insieme di addestramento e una partizione viene utilizzata come insieme di test.
Nota Al termine dei quattro passaggi di test, ogni partizione è stata utilizzata una volta con insieme di convalida e tre volte come parte dell'insieme di addestramento.
- Per ogni sottoinsieme, compilare le metriche del modello.
- Utilizzare la media dei quattro sottoinsiemi per un punteggio generale.
Questo articolo ha risolto il problema?
Facci sapere, così possiamo migliorare!
