ต่อไปคำแนะนำต่อไป
คำอธิบายประกอบข้อความสำหรับ NER และการจำแนกประเภท
ภาษาเอไอ
คู่มือ AI ภาษา
การจัดหมวดหมู่ข้อความจะจัดเรียงข้อความเป็นหมวดหมู่โดยอัตโนมัติ เช่น การแท็กอีเมลว่าเป็นสแปมหรือบทวิจารณ์ว่าเป็นเชิงบวก
ฟังคำแนะนำนี้บรรยายโดย AI · ~3 min
นี่เป็นหนึ่งในงาน NLP ที่มีการปรับใช้กันอย่างแพร่หลายมากที่สุด เนื่องจากจะเปลี่ยนข้อความที่ไม่ยุ่งเหยิงให้เป็นป้ายกำกับที่มีโครงสร้างซึ่งระบบสามารถดำเนินการได้
Text classification assigns categories to documents, messages, or other text sequences. Binary classification selects between two labels, such as spam and not spam. Multi-class classification assigns exactly one category from a larger set, while multi-label classification permits several categories for the same example. An article can carry both politics and economy tags without requiring those topics to exclude each other. Sentiment and intent can also be classification targets when the task defines their labels. Representations differ across systems: sparse word-count features and dense learned embeddings are two possibilities. A classifier converts those features into scores associated with the defined labels. Evaluation should match the intended decisions. Accuracy is the fraction of correct predictions, but it can conceal failures on a rare category. If almost every message is ordinary, always predicting ordinary can score highly while missing every relevant spam case. Recall for a designated positive class is true positives divided by all actual positives. Precision instead divides true positives by all predicted positives. In an illustrative evaluation with six true positives and two false positives, precision is six divided by eight, or 75 percent. Those quantities answer different questions. A model can have a useful recall yet flag many irrelevant messages. A further distinction concerns output scores: single-label softmax scores sum to one across mutually exclusive alternatives, whereas a separate sigmoid score for each label permits several labels to score highly together. Neither transformation alone establishes that scores are calibrated estimates of real-world frequency.
ผู้ให้บริการอีเมลกรองข้อความสแปมและฟิชชิ่งออกจากกล่องจดหมายของคุณ
แบรนด์ดำเนินการวิเคราะห์ความรู้สึกในการรีวิวผลิตภัณฑ์และโพสต์โซเชียลเพื่อวัดอารมณ์ของลูกค้า
โต๊ะสนับสนุนกำหนดเส้นทางตั๋วขาเข้าอัตโนมัติไปยังทีมที่เหมาะสมตามเนื้อหาข้อความ
แพลตฟอร์มโซเชียลที่ทำเครื่องหมายคำพูดแสดงความเกลียดชังหรือความคิดเห็นที่เป็นพิษเพื่อการตรวจสอบการกลั่นกรอง
คำอธิบายและตัวอย่างป้ายกำกับช่วยให้สำรวจงานการจัดหมวดหมู่ใหม่ได้ง่ายขึ้น แต่ไม่ได้สร้างประสิทธิภาพที่สอดคล้องกันในโดเมนต่างๆ การเปรียบเทียบโมเดลแบบกระจาย ตัวเข้ารหัสแบบหนาแน่น และโมเดลภาษาที่ได้รับแจ้งสามารถเปิดเผยความแม่นยำ เวลาแฝง และข้อดีในการบำรุงรักษาที่แตกต่างกันได้ สำหรับการใช้งานในการปฏิบัติงาน การประเมินควรรวมคลาสที่หายากและผลที่ตามมาของการพลาดฉลากหรือไม่ถูกต้อง การเปลี่ยนแปลงภาษาและแหล่งอินพุตสามารถเปลี่ยนผลลัพธ์เหล่านั้นได้เช่นกัน รายงานความแม่นยำต่อคลาสและการเรียกคืนตามที่เกี่ยวข้อง และประเมินการสอบเทียบเอาต์พุตแยกจากการกำหนดหมวดหมู่
จดหมายข่าวฟรี
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
การจัดหมวดหมู่ข้อความจะจัดเรียงข้อความเป็นหมวดหมู่โดยอัตโนมัติ เช่น การแท็กอีเมลว่าเป็นสแปมหรือบทวิจารณ์ว่าเป็นเชิงบวก นี่เป็นหนึ่งในงาน NLP ที่มีการปรับใช้กันอย่างแพร่หลายมากที่สุด เนื่องจากจะเปลี่ยนข้อความที่ไม่ยุ่งเหยิงให้เป็นป้ายกำกับที่มีโครงสร้างซึ่งระบบสามารถดำเนินการได้
ผลลัพธ์จะเชื่อมโยงข้อความกับหมวดหมู่ที่กำหนดโดยงาน
การจำแนกประเภทหลายป้ายกำกับช่วยให้สามารถนำไปใช้กับรายการเดียวกันได้มากกว่าหนึ่งหมวดหมู่พร้อมกัน
การคาดการณ์คลาสส่วนใหญ่สามารถให้ความแม่นยำสูงในขณะที่พลาดผลบวกที่หายากทั้งหมด ดังนั้นการประเมินเฉพาะหมวดหมู่จึงมีความสำคัญ
การเรียกคืนคือเศษส่วนของกรณีที่เป็นบวกจริงที่ระบบระบุอย่างถูกต้อง โดยบันทึกจำนวนที่พลาดไป
โมเดลซีโร่ช็อตสามารถฝึกล่วงหน้าหรือฝึกในงานอื่นได้ การขาดงานเกี่ยวข้องกับตัวอย่างที่มีป้ายกำกับเฉพาะงาน
เรียนรู้ต่อไป
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้
ต่อไปคำแนะนำต่อไป
คำอธิบายประกอบข้อความสำหรับ NER และการจำแนกประเภท
ภาษาเอไอ