Termen en definities die worden gebruikt in het begrip van gesprekstaal
Gebruik dit artikel voor meer informatie over een aantal definities en termen die u kunt tegenkomen bij het gebruik van begrip van gesprekstaal.
Entity
Entiteiten zijn woorden in uitingen die informatie beschrijven die wordt gebruikt om een intentie te vervullen of te identificeren. Als uw entiteit complex is en u wilt dat uw model specifieke onderdelen identificeert, kunt u uw model opsplitsen in subentiteiten. U wilt bijvoorbeeld dat uw model een adres voorspelt, maar ook de subentiteiten straat, plaats, staat en postcode.
F1-score
De F1-score is een functie van Precisie en Relevante overeenkomsten. Het is nodig wanneer u een balans zoekt tussen precisie en relevante overeenkomsten.
Intentie
Een intentie vertegenwoordigt een taak of actie die de gebruiker wil uitvoeren. Het is een doel of doel uitgedrukt in de invoer van een gebruiker, zoals het boeken van een vlucht of het betalen van een factuur.
Lijstentiteit
Een lijstentiteit vertegenwoordigt een vaste, gesloten set gerelateerde woorden, samen met hun synoniemen. Lijstentiteiten zijn exacte overeenkomsten, in tegenstelling tot machined learning-entiteiten.
De entiteit wordt voorspeld als een woord in de lijstentiteit is opgenomen in de lijst. Als u bijvoorbeeld een lijstentiteit met de naam 'grootte' hebt en u de woorden 'klein, gemiddeld, groot' in de lijst hebt, wordt de entiteit grootte voorspeld voor alle uitingen waarbij de woorden 'klein', 'gemiddeld' of 'groot' worden gebruikt, ongeacht de context.
Modelleren
Een model is een object dat is getraind om een bepaalde taak uit te voeren, in dit geval gesprekskennis van taken. Modellen worden getraind door gelabelde gegevens op te geven waaruit ze kunnen leren, zodat ze later kunnen worden gebruikt om utterances te begrijpen.
- Modelevaluatie is het proces dat direct na de training plaatsvindt om te weten hoe goed uw model presteert.
- Implementatie is het proces van het toewijzen van uw model aan een implementatie om het beschikbaar te maken voor gebruik via de voorspellings-API.
Overfitting
Overfitting treedt op wanneer het model wordt gefixeerd op de specifieke voorbeelden en niet goed kan generaliseren.
Precisie
Meet hoe nauwkeurig/nauwkeurig uw model is. Dit is de verhouding tussen de correct geïdentificeerde positieven (terecht-positieven) en alle geïdentificeerde positieven. De precisiemetrie geeft aan hoeveel van de voorspelde klassen correct zijn gelabeld.
Project
Een project is een werkgebied voor het bouwen van uw aangepaste ML-modellen op basis van uw gegevens. Uw project kan alleen worden geopend door u en anderen die toegang hebben tot de Azure-resource die wordt gebruikt.
Intrekken
Meet het vermogen van het model om werkelijke positieve klassen te voorspellen. Het is de verhouding tussen de voorspelde terecht-positieven en wat daadwerkelijk is getagd. De relevante metrische gegevens geven aan hoeveel van de voorspelde klassen juist zijn.
Regular expression
Een entiteit met een reguliere expressie vertegenwoordigt een reguliere expressie. Reguliere expressie-entiteiten zijn exacte overeenkomsten.
Schema
Het schema wordt gedefinieerd als de combinatie van intenties en entiteiten binnen uw project. Schemaontwerp is een cruciaal onderdeel van het succes van uw project. Wanneer u een schema maakt, moet u nadenken over welke intenties en entiteiten moeten worden opgenomen in uw project.
Trainingsgegevens
Trainingsgegevens zijn de set informatie die nodig is om een model te trainen.
Uiting
Een uiting is gebruikersinvoer die korte tekst vertegenwoordigt van een zin in een gesprek. Het is een natuurlijke taalzin zoals 'boek 2 tickets naar Seattle volgende dinsdag'. Voorbeelduitingen worden toegevoegd om het model te trainen en het model voorspelt tijdens runtime op nieuwe uitingen
Volgende stappen
- Gegevens- en servicelimieten.
- Overzicht van het begrip van gesprekstaal.