De evaluatie en details van uw model voor tekstclassificatie weergeven
Nadat de training van uw model is voltooid, kunt u de modelprestaties bekijken en de voorspelde klassen voor de documenten in de testset bekijken.
Notitie
Als u de optie De testset automatisch splitsen uit trainingsgegevens gebruikt, kan dit resulteren in een ander modelevaluatieresultaat wanneer u een nieuw model traint, omdat de testset willekeurig uit de gegevens wordt geselecteerd. Als u ervoor wilt zorgen dat de evaluatie elke keer wordt berekend op dezelfde testset wanneer u een model traint, gebruikt u de optie Een handmatige splitsing van training- en testgegevens gebruiken bij het starten van een trainingstaak en definieert u uw testdocumenten bij het labelen van gegevens.
Vereisten
Voordat u modelevaluatie bekijkt, hebt u het volgende nodig:
- Een aangepast tekstclassificatieproject met een geconfigureerd Azure Blob Storage-account.
- Tekstgegevens die zijn geüpload naar uw opslagaccount.
- Gelabelde gegevens
- Een model dat is getraind
Zie de levenscyclus van projectontwikkeling voor meer informatie.
Modeldetails
Ga naar uw projectpagina in Language Studio.
Selecteer Modelprestaties in het menu aan de linkerkant van het scherm.
Op deze pagina kunt u alleen de met succes getrainde modellen, F1-score voor elk model en de vervaldatum van het model bekijken. U kunt de naam van het model selecteren voor meer informatie over de prestaties.
Notitie
Klassen die niet zijn gelabeld of voorspeld in de testset, maken geen deel uit van de weergegeven resultaten.
- Overzicht
- Prestaties van klassetype
- Details van testset
- Distributie van gegevenssets
- Verwarringsmatrix
Op dit tabblad kunt u de details van het model bekijken, zoals: F1-score, precisie, terugroepactie, datum en tijd voor de trainingstaak, totale trainingstijd en het aantal trainings- en testdocumenten dat in deze trainingstaak is opgenomen.
U ziet ook richtlijnen voor het verbeteren van het model. Wanneer u op Details weergeven klikt, wordt er een zijpaneel geopend met meer richtlijnen voor het verbeteren van het model. In dit voorbeeld zijn er onvoldoende gegevens in de trainingsset voor deze klassen. Ook is er een onduidelijk onderscheid tussen klassentypen in de trainingsset, waarbij twee klassen met elkaar worden verward. Als u op de verwarde klassen klikt, gaat u naar de pagina voor gegevenslabels om meer gegevens met de juiste klasse te labelen.
Meer informatie over modelrichtlijnen en verwarringsmatrix in modelprestatieconcepten .
Modelgegevens laden of exporteren
Uw modelgegevens laden :
Selecteer een model op de pagina modelevaluatie .
Selecteer de knop Modelgegevens laden .
Controleer of u geen niet-opgeslagen wijzigingen hebt die u moet vastleggen in het venster dat wordt weergegeven en selecteer Gegevens laden.
Wacht totdat uw modelgegevens weer in uw project zijn geladen. Na voltooiing wordt u teruggeleid naar de pagina Schemaontwerp .
Uw modelgegevens exporteren :
Selecteer een model op de pagina modelevaluatie .
Selecteer de knop Modelgegevens exporteren . Wacht tot de JSON-momentopname van uw model lokaal is gedownload.
Model verwijderen
Uw model verwijderen vanuit Language Studio:
Selecteer Modelprestaties in het menu aan de linkerkant.
Selecteer de modelnaam die u wilt verwijderen en selecteer Verwijderen in het bovenste menu.
Selecteer OK in het venster dat wordt weergegeven om het model te verwijderen.
Volgende stappen
Wanneer u bekijkt hoe uw model presteert, krijgt u meer informatie over de metrische evaluatiegegevens die worden gebruikt. Zodra u weet of de prestaties van uw model moeten worden verbeterd, kunt u beginnen met het verbeteren van het model.
Feedback
https://aka.ms/ContentUserFeedback.
Binnenkort beschikbaar: In de loop van 2024 zullen we GitHub-problemen geleidelijk uitfaseren als het feedbackmechanisme voor inhoud en deze vervangen door een nieuw feedbacksysteem. Zie voor meer informatie:Feedback verzenden en weergeven voor