Bonnes réponses
- AÉvaluez le modèle sur un jeu de test de réserve qui n'a pas été utilisé lors de l'entraînement.
- BExaminez la matrice de confusion pour comprendre quelles classes sont fréquemment mal classées.
Explication
L'option A est correcte car l'évaluation du modèle de classification de texte personnalisé sur un jeu de test de réserve qui n'a pas été utilisé pendant l'entraînement fournit une estimation non biaisée des performances de généralisation, ce qui est essentiel avant de promouvoir le modèle en production. L'option B est correcte car l'examen de la matrice de confusion révèle des modèles de précision et de rappel par classe et montre exactement quelles classes sont fréquemment mal classées, permettant des améliorations ciblées des données ou des étiquettes. L'option C est incorrecte car Azure AI Language n'impose pas de seuil de précision fixe de 95 % sur une division de validation croisée ; les objectifs de performance sont spécifiques au scénario et la validation croisée n'est pas le flux de travail d'évaluation standard pour ce service. L'option D est incorrecte car le calcul de la précision sur le jeu d'entraînement mesure la mémorisation plutôt que la généralisation et sera biaisé de manière optimiste. L'option E est incorrecte car la comparaison avec une référence de classe majoritaire est une vérification de bon sens utile, mais ce n'est pas l'une des actions requises pour valider un modèle de classification de texte personnalisé avant la production.