Förutsägelsepoäng anger förutsägelsenoggrannhet för avsikter och entiteter

Viktigt

LUIS dras tillbaka den 1 oktober 2025 och från och med den 1 april 2023 kommer du inte att kunna skapa nya LUIS-resurser. Vi rekommenderar att du migrerar dina LUIS-program till konversationsspråkförståning för att dra nytta av fortsatt produktsupport och flerspråkiga funktioner.

En förutsägelsepoäng anger graden av förtroende LUIS har för förutsägelseresultat av ett användaryttrande.

En förutsägelsepoäng är mellan noll (0) och en (1). Ett exempel på en mycket säker LUIS-poäng är 0,99. Ett exempel på en poäng med låg konfidens är 0,01.

Poängvärde	Konfidensbedömning
1	definitiv matchning
0,99	hög konfidens
0,01	låg konfidens
0	definitivt misslyckande att matcha

Avsikt med toppbedömning

Varje förutsägelse av yttranden returnerar en avsikt med högsta poäng. Den här förutsägelsen är en numerisk jämförelse av förutsägelsepoäng.

Närhet av poäng till varandra

De 2 främsta poängen kan ha en mycket liten skillnad mellan dem. LUIS anger inte den här närheten annat än att returnera topppoängen.

Returnera förutsägelsepoäng för alla avsikter

Ett test- eller slutpunktsresultat kan innehålla alla avsikter. Den här konfigurationen anges på slutpunkten med rätt frågesträngsnamn/värdepar.

Förutsägelse-API	Frågesträngsnamn
V3	show-all-intents=true
V2	verbose=true

Granska avsikter med liknande poäng

Att granska poängen för alla avsikter är ett bra sätt att kontrollera att det inte bara är rätt avsikt som identifieras, utan att nästa identifierade avsikts poäng är betydligt och konsekvent lägre för yttranden.

Om flera avsikter har nära förutsägelsepoäng, baserat på kontexten för ett uttryck, kan LUIS växla mellan avsikterna. Om du vill åtgärda den här situationen fortsätter du att lägga till yttranden till varje avsikt med en bredare mängd kontextuella skillnader eller så kan du låta klientprogrammet, till exempel en chattrobot, göra programmatiska val om hur de två främsta avsikterna ska hanteras.

De två avsikterna, vars poäng ligger för nära, kan inverteras på grund av icke-deterministisk träning. Den högsta poängen kan bli den andra toppen och den andra högsta poängen kan bli den första topppoängen. För att förhindra den här situationen lägger du till exempelyttranden till var och en av de två främsta avsikterna för det yttrandet med ordval och kontext som skiljer de två avsikterna åt. De två avsikterna bör ha ungefär samma antal exempelyttranden. En tumregel för separation för att förhindra inversion på grund av träning är en poängskillnad på 15 %.

Du kan inaktivera den icke-deterministiska träningen genom att träna med alla data.

Skillnader med förutsägelser mellan olika utbildningssessioner

När du tränar samma modell i en annan app och poängen inte är desamma beror den här skillnaden på att det finns icke-deterministisk träning (ett slumpmässigt element). För det andra innebär överlappning av ett yttrande till mer än en avsikt att den främsta avsikten för samma yttrande kan ändras baserat på träning.

Om chattroboten kräver en specifik LUIS-poäng för att indikera förtroende för en avsikt bör du använda poängskillnaden mellan de två främsta avsikterna. Den här situationen ger flexibilitet för variationer i träning.

Du kan inaktivera den icke-deterministiska träningen genom att träna med alla data.

E-notation (exponent)

Förutsägelsepoäng kan använda exponentnotation som visas ovanför intervallet 0–1, till exempel 9.910309E-07. Denna poäng är en indikation på ett mycket litet tal.

E-notationspoäng	Faktisk poäng
9.910309E-07	.0000009910309

Programinställningar

Använd programinställningar för att styra hur diakritiska tecken och skiljetecken påverkar förutsägelsepoäng.

Nästa steg

Mer information om hur du lägger till entiteter i LUIS-appen finns i Lägga till entiteter .