예측 점수는 의도 및 엔터티에 대한 예측 정확도를 나타냅니다.

Important

LUIS는 2025년 10월 1일에 사용 중지되며 2023년 4월 1일부터 새 LUIS 리소스를 만들 수 없습니다. 지속적인 제품 지원 및 다국어 기능을 활용하려면 LUIS 애플리케이션을 대화 언어 이해로 마이그레이션하는 것이 좋습니다.

예측 점수는 사용자 발화의 예측 결과에 대한 LUIS의 신뢰도를 나타냅니다.

예측 점수는 0(영)과 1(일) 사이입니다. 신뢰도가 높은 LUIS 점수의 예는 0.99입니다. 신뢰도 점수의 예는 0.01입니다.

점수 값	신뢰
1	확실한 일치
0.99	높은 신뢰도
0.01	낮은 신뢰도
0	확실한 불일치

최고 점수 의도

모든 발화 예측은 상위 점수 의도를 반환합니다. 이 예측은 예측 점수의 수치 비교입니다.

상호 점수의 유사성

상위 두 개의 점수는 서로 차이가 매우 작을 수 있습니다. LUIS는 상위 점수 반환 외에는 이 근접성을 표시하지 않습니다.

모든 의도의 예측 점수 반환

테스트 또는 엔드포인트 결과에는 모든 의도가 포함될 수 있습니다. 이 구성은 올바른 쿼리 문자열 이름/값 쌍을 사용하여 엔드포인트에 설정됩니다.

예측 API	쿼리 문자열 이름
V3	show-all-intents=true
V2	verbose=true

유사한 점수를 가진 의도 검토

올바른 의도가 식별될 뿐만 아니라 다음 식별된 의도의 점수가 여러 발화에 일관되게 상당히 더 낮은지 확인하려면 모든 의도의 점수를 검토하는 것이 좋습니다.

여러 의도의 예측 점수가 가까운 경우에는 발화 컨텍스트에 따라 LUIS가 의도 간에 전환할 수 있습니다. 이 상황을 해결하려면 보다 다양한 상황별 차이로 각 의도에 발화를 계속 추가하거나 채팅 봇과 같은 클라이언트 애플리케이션이 두 개의 상위 의도를 처리하는 방법을 프로그래매틱으로 선택하도록 할 수 있습니다.

점수가 너무 가깝게 매겨진 두 개의 의도는 비결정적 교육으로 인해 반전될 수 있습니다. 최고 점수가 두 번째로 높은 점수가 될 수 있고 두 번째로 높은 점수가 최고 점수가 될 수 있습니다. 이 상황을 방지하려면 두 가지 의도를 구분하는 상황 및 단어를 선택하여 해당 발화의 최고 두 가지 의도 각각에 대해 예제 발화를 추가합니다. 두 가지 의도에는 동일한 수의 예제 발언이 있어야 합니다. 학습으로 인한 반전을 방지할 수 있는 일반적인 분리 기준은 15%의 점수 차이입니다.

모든 데이터로 학습시켜 비결정적 학습을 해제할 수 있습니다.

여러 학습 세션 간의 예측 차이

다른 앱에서 동일한 모델을 학습시키는데 점수가 동일하지 않으면 이 차이는 비결정적 학습(무작위 요소)이 있기 때문입니다. 두 번째로, 둘 이상 의도의 발화가 겹치는 것은 동일 발화의 상위 의도가 학습에 따라 변경될 수 있음을 의미합니다.

챗봇에 의도의 신뢰도를 나타내는 특정 LUIS 점수가 필요한 경우에는 상위 두 의도 간 점수 차이를 사용해야 합니다. 이 상황은 학습에 변형 유연성을 제공합니다.

모든 데이터로 학습시켜 비결정적 학습을 해제할 수 있습니다.

E(지수) 표기법

예측 점수는 9.910309E-07과 같이 0~1 범위 위에 ‘나타나는’ 지수 표기법을 사용합니다. 이 점수는 매우 작은 수를 나타냅니다.

E 표기법 점수	실제 점수
9.910309E-07	.0000009910309

애플리케이션 설정

애플리케이션 설정을 사용하여 분음 부호와 문장 부호가 예측 점수에 영향을 미치는 방식을 제어합니다.

다음 단계

LUIS 앱에 엔터티를 추가하는 방법에 대한 자세한 내용은 엔터티 추가를 참조하세요.