Förutsägelsepoäng indikerar förutsägelsenoggrannhet för avsikt och entiteter

En förutsägelsepoäng anger den grad av förtroende LUIS har för förutsägelseresultat av ett användaryttrande.

En förutsägelsepoäng är mellan noll (0) och en (1). Ett exempel på en mycket säker LUIS-poäng är 0,99. Ett exempel på en poäng med låg konfidens är 0,01.

Avsikt med högsta poäng

Varje förutsägelse av yttranden returnerar en avsikt med högst poäng. Den här förutsägelsen är en numerisk jämförelse av förutsägelsepoäng.

Närhet av poäng till varandra

De två främsta poängen kan ha en mycket liten skillnad mellan dem. LUIS anger inte den här närheten annat än att returnera den högsta poängen.

Returnera förutsägelsepoäng för alla avsikter

Ett test- eller slutpunktsresultat kan innehålla alla avsikter. Den här konfigurationen anges på slutpunkten med rätt frågesträngsnamn/värdepar.

Granska avsikter med liknande poäng

Att granska poängen för alla avsikter är ett bra sätt att kontrollera att det inte bara är rätt avsikt som identifieras, utan att nästa identifierade avsikts poäng är betydligt och konsekvent lägre för yttranden.

Om flera avsikter har nära förutsägelsepoäng, baserat på kontexten för ett uttryck, kan LUIS växla mellan avsikterna. För att åtgärda den här situationen fortsätter du att lägga till yttranden till varje avsikt med en bredare mängd sammanhangsberoende skillnader eller så kan du låta klientprogrammet, till exempel en chattrobot, göra programmatiska val om hur du hanterar de två främsta avsikterna.

De två avsikterna, vars poäng ligger för nära, kan inverteras på grund av icke-deterministisk träning. Den högsta poängen kan bli den andra toppen och den andra topppoängen kan bli den första topppoängen. För att förhindra den här situationen lägger du till exempelyttranden till var och en av de två främsta avsikterna för det yttrandet med ordval och kontext som skiljer de två avsikterna åt. De två avsikterna bör ha ungefär samma antal exempelyttranden. En tumregel för separation för att förhindra inversion på grund av träning är en poängskillnad på 15 %.

Du kan inaktivera den icke-deterministiska träningen genom att träna med alla data.

Skillnader med förutsägelser mellan olika utbildningssessioner

När du tränar samma modell i en annan app och poängen inte är desamma beror den här skillnaden på att det finns icke-deterministisk träning (ett slumpmässigt element). För det andra innebär en överlappning av ett yttrande till mer än en avsikt att den främsta avsikten för samma yttrande kan ändras baserat på träning.

Om chattroboten kräver en specifik LUIS-poäng för att indikera förtroende för en avsikt bör du använda poängskillnaden mellan de två främsta avsikterna. Den här situationen ger flexibilitet för variationer i träningen.

Du kan inaktivera den icke-deterministiska träningen genom att träna med alla data.

E-notation (exponent)

Förutsägelsepoäng kan använda exponent notation som visas över intervallet 0–1, till exempel 9.910309E-07. Den här poängen är en indikation på ett mycket litet tal.

Programinställningar

Använd programinställningar för att styra hur diakritiska tecken och skiljetecken påverkar förutsägelsepoäng.

Nästa steg

Mer information om hur du lägger till entiteter i LUIS-appen finns i Lägga till entiteter .