I punteggi di stima indicano l'accuratezza delle stime per la finalità e le entità

Un punteggio di previsione indica il grado di sicurezza di LUIS nei confronti dei risultati della previsione di un'espressione utente.

Un punteggio di stima è compreso tra zero (0) e uno (1). Un esempio di punteggio LUIS altamente attendibile è 0,99. Un esempio di punteggio poco attendibile è 0,01.

Finalità con punteggio elevato

La stima di ogni espressione restituisce una finalità con punteggio elevato. Questa stima è un confronto numerico dei punteggi di previsione.

Prossimità dei punteggi l'uno nei confronti dell'altro

I primi 2 punteggi possono avere una differenza molto piccola tra di loro. LUIS non indica questa prossimità se non restituendo il punteggio più alto.

Restituire un punteggio di stima per tutte le finalità

Un risultato di test o endpoint può includere tutte le finalità. Questa configurazione viene impostata nell'endpoint usando la coppia nome/valore della querystring corretta.

Rivedere le finalità con punteggi simili

Rivedere il punteggio di tutte le finalità per verificare non solo che sia stata identificata la finalità corretta, ma che il punteggio della finalità identificata successivamente sia di molto inferiore in modo coerente per le espressioni.

Se più finalità presentano punteggi di stima vicini, in base al contesto di un'espressione, LUIS potrebbe passare da una finalità a un'altra. Per risolvere questa situazione, continuare ad aggiungere espressioni a ogni intento con un'ampia gamma di differenze contestuali oppure è possibile impostare l'applicazione client, ad esempio un chatbot, per effettuare scelte a livello programmatico su come gestire i 2 intenti principali.

I due intenti con punteggio troppo simile possono essere invertiti a causa del training non deterministico. Il punteggio superiore può diventare il secondo punteggio mentre il secondo può diventare il primo. Per evitare questa situazione, aggiungere espressioni di esempio a ognuno dei due intenti principali per tale espressione con scelta di parole e contesto che differenziano i 2 intenti. Le due finalità devono avere circa lo stesso numero di espressioni di esempio. Una regola generale per la separazione per impedire l'inversione a causa del training è una differenza del 15% nei punteggi.

È possibile disattivare il training non deterministico eseguendo il training con tutti i dati.

Differenze con le previsioni tra sessioni di training diverse

Quando si esegue il training dello stesso modello in un'app diversa e i punteggi non sono uguali, la differenza è dovuta alla presenza del training non deterministico (elemento di casualità). In secondo luogo, eventuali sovrapposizioni di un'espressione a più di una finalità indicano che la finalità principale della stessa espressione può cambiare in base al training.

Se il chatbot richiede un punteggio LUIS specifico per indicare la sicurezza nei confronti di un intento, è consigliabile usare la differenza di punteggio tra i due intenti principali. Questa situazione offre flessibilità per le variazioni nel training.

È possibile disattivare il training non deterministico eseguendo il training con tutti i dati.

Notazione E (esponenziale)

I punteggi di stima possono usare la notazione esponenziale, dove appare sopra l'intervallo 0-1, ad esempio 9.910309E-07. Questo punteggio è un'indicazione di un numero molto piccolo.

Impostazioni applicazione

Usare impostazioni applicazione per controllare il modo in cui i punteggi dei segni diacritici e della punteggiatura influiscono sui punteggi di previsione.

Passaggi successivi

Vedere Aggiungere entità per ulteriori informazioni sull'aggiunta di entità all'app LUIS.