Prérequis
- Un Skill de classification qui a été entraîné au moins une fois.
Ce qu’affiche l’onglet Result
- Précision globale de la classification — pourcentage de documents correctement classés sur l’ensemble du lot.
- Précision par classe — pourcentage de documents correctement classés pour chaque classe.
- Nombre de documents par classe — nombre de documents correctement et incorrectement classés pour chaque classe.
- Dernier entraînement — date et heure de la session d’entraînement la plus récente.
Tableau des résultats
Le tableau des résultats contient toutes les classes utilisateur non vides (à l’exception de Aucune classe). Les classes sont triées d’abord par précision (de la moins bonne à la meilleure), puis par nombre de documents, et enfin par ordre alphabétique de nom. Une barre de défilement apparaît si toutes les lignes ne tiennent pas à l’écran. Un clic sur une ligne ouvre la classe correspondante dans l’onglet Documents. Si vous renommez une classe dans l’onglet Documents, son nom est automatiquement mis à jour dans l’onglet Result. Si vous supprimez une classe après l’entraînement, son nom apparaît en grisé dans l’onglet Result ; la ligne n’est supprimée qu’au prochain entraînement du classificateur.Quand arrêter d’itérer
Il n’existe pas de seuil de précision fixe pour un Skill de classification : le bon objectif dépend de votre tolérance aux documents mal orientés en aval et du niveau de relecture manuelle acceptable. En pratique, visez une précision élevée pour chaque classe (et pas seulement une bonne précision globale), continuez d’itérer sur les causes décrites ci-dessous tant que l’écart se réduit, puis arrêtez dès qu’une classe atteint votre exigence métier ou qu’elle a clairement plafonné malgré des données d’entraînement propres et rééquilibrées. Si une classe plafonne nettement en dessous des autres, considérez qu’elle n’est pas suffisamment distincte et fusionnez-la avec la classe la plus proche. Une fois la compétence en production, continuez à suivre Document Classifier Accuracy dans le Tableau de bord Analytics au fil du temps, et envisagez l’Online learning pour une amélioration continue.Erreurs de classification
La plupart des erreurs de classification proviennent d’erreurs dans le jeu d’entraînement — par exemple, des classes de référence mal attribuées ou un nombre insuffisant de documents pour une classe donnée.Classes de référence mal attribuées
Pour corriger ce problème, réattribuez les documents concernés et réentraînez le classificateur :1
Ouvrez la classe concernée dans l’onglet Documents
Cliquez sur Review Prediction in Document Set dans le volet Actions, ou sur la ligne correspondante dans le tableau des résultats.
2
Sélectionnez un document mal classé
Sélectionnez un document auquel une classe de référence erronée a été attribuée.
3
Attribuez la classe correcte
Cliquez sur le nom de la classe correcte dans le volet Actions.
4
Répétez l’opération pour chaque document concerné
Répétez les deux étapes précédentes pour chaque document auquel une classe de référence erronée a été attribuée.
5
Réentraînez le classificateur
Cliquez sur le bouton Train dans le volet Actions.
Données d’entraînement insuffisantes ou déséquilibrées
Une qualité de classificateur insuffisante peut être due aux raisons suivantes :- Un nombre insuffisant de documents importés
- Une répartition sensiblement inégale des documents entre les classes
- Un nombre insuffisant d’exemples des variantes de documents les plus courantes pour la classe donnée