Du är här:
Fliken Korsvalidering för flerklassiga kundcase med klassificeringsanvändning
För att testa en modells förmåga att göra förutsägelser använder Einstein Discovery k-delad korsvalidering, en process som minskar provbias vid validering av en modell. Denna flik sammanfattar resultaten av korsvalidering för denna modell samt lite av den underliggande beräkningsinformationen.
Anteckning Einstein Discovery-berättelser är nu modeller. Vi tycker att vi kan dra på vårt fingrar för att uppdatera namnet överallt, men du kan förvänta dig att se föregående namn på några platser tills vi ersätter det.
Gå till fliken Korsvalidering
I Perfomance, klicka på Modellutvärdering och klicka sedan på Korsvalidering.
Kolumner på fliken Korsvalidering
| Kolumnens namn | Beskrivning |
|---|---|
| Måttnamn | Namn på måttet. |
| Inlärningsuppsättning | Mått för den uppsättning observationer i CRM Analytics-datauppsättningen som Einstein Discovery använder för att lära upp modellen. |
| Valideringsuppsättning | Mått för den uppsättning observationer i CRM Analytics-datauppsättningen som Einstein Discovery använder för att validera förutsägelserna som skapas av den utbildade modellen. |
| Del nr 1 | Mått för den första delen. |
| Del nr 2 | Mått för den andra delen. |
| Del nr 3 | Mått för den tredje delen. |
| Del nr 4 | Mått för den fjärde delen. |
Mått på fliken Korsvalidering
| Måttnamn | Beskrivning |
|---|---|
| Antal rader | Totalt antal observationer. Betydelsen av ett värde varierar utefter kolumn.
|
| Log-förlust | Logaritmisk förlust Mäter modellprestanda på en skala från 0 till 1, där 0 motsvarar en perfekt modell (de förutsagda resultaten matchar faktiska observationer till 100 procent). Ju mindre de förutsagda resultaten korrekt matchar de faktiska observationerna (lägre prestanda), desto högre är den logaritmiska förlusten. Den logaritmiska förlusten anger osäkerhet för modellens prestanda. |
| Medeltal för fel per klass | Anger hur ofta förutsägelserna är fel. Ett lågt värde innebär att förutsägelserna är fel mer sällan och därmed att modellen är bättre på att göra förutsägelser. |
Metod för modellvalidering
Einstein Discovery utför k-delad korsvalidering (k=4) på din modell. Denna process innefattar följande steg:
- Dela slumpmässigt upp alla observationer i CRM Analytics-datauppsättningen till fyra separata partitioner med lika storlek.
- Utför fyra testkörningar (mappar) där tre av partitionerna fungerar som inlärningsuppsättningen och en partition fungerar som testuppsättningen.
Anteckning När de fyra testkörningarna körts har varje del visats en gång som valideringsuppsättningen och tre gånger som en del av inlärningsuppsättningen.
- För varje del, sammanställ modellmått.
- Ta genomsnittet av de fyra delar för ett övergripande betyg.
Löste denna artikel ditt problem?
Berätta för oss vad vi kan förbättra!
