Menafsirkan hasil prediksi dari model klasifikasi teks

Setelah meminta prediksi, Vertex AI akan menampilkan hasil berdasarkan objektif model. Prediksi dari model klasifikasi multilabel menampilkan satu atau beberapa label untuk setiap dokumen dan skor keyakinan untuk setiap label. Untuk model klasifikasi label tunggal, prediksi hanya menampilkan satu label dan skor keyakinan per dokumen.

Skor keyakinan mencerminkan seberapa kuat model Anda mengaitkan setiap class atau label dengan item pengujian. Makin tinggi angkanya, makin tinggi keyakinan model bahwa label harus diterapkan ke item tersebut. Anda yang menentukan seberapa tinggi skor keyakinan agar hasil model dapat diterima.

Penggeser nilai minimum skor

Di konsol Google Cloud, Vertex AI menyediakan penggeser yang digunakan untuk menyesuaikan nilai minimum keyakinan untuk semua class atau label, atau setiap class atau label. Penggeser tersedia di halaman detail model di tab Evaluate. Nilai minimum keyakinan adalah level keyakinan yang harus dimiliki model untuk menetapkan class atau label ke item pengujian. Saat menyesuaikan nilai minimum, Anda dapat melihat perubahan presisi dan perolehan model. Nilai minimum yang lebih tinggi biasanya meningkatkan presisi dan menurunkan perolehan.

Contoh output prediksi batch

Sampel berikut adalah hasil yang diprediksi untuk model klasifikasi multilabel. Model menerapkan label GreatService, Suggestion, dan InfoRequest ke dokumen yang dikirimkan. Nilai kepercayaan berlaku untuk setiap label secara berurutan. Dalam contoh ini, model memprediksi GreatService sebagai label yang paling relevan.

{
  "instance": {"content": "gs://bucket/text.txt", "mimeType": "text/plain"},
  "predictions": [
    {
      "ids": [
        "1234567890123456789",
        "2234567890123456789",
        "3234567890123456789"
      ],
      "displayNames": [
        "GreatService",
        "Suggestion",
        "InfoRequest"
      ],
      "confidences": [
        0.8986392080783844,
        0.81984345316886902,
        0.7722353458404541
      ]
    }
  ]
}