ที่บริการของคุณ: AI จะพลิกโฉมการบริการลูกค้าอย่างไร

ที่บริการของคุณ: AI จะพลิกโฉมการบริการลูกค้าอย่างไร

เว็บไซต์

ครั้งแล้วครั้งเล่า คุณจะได้ยินนักพยากรณ์อุตสาหกรรมพูดว่า “ประสบการณ์ของลูกค้าจะเป็นปัจจัยสร้างความแตกต่างให้กับแบรนด์ในอนาคต” ฉันเห็นด้วยกับพวกเขา การแบ่งส่วนแบ่งการตลาดตามราคาหรือคุณสมบัติของผลิตภัณฑ์นั้นยากขึ้นเรื่อยๆ จึงเป็นสาเหตุว่าทำไมเครื่องมือที่ขับเคลื่อนด้วย AI ซึ่งเชื่อมโยงข้อมูลระหว่างแผนกต่างๆ และสร้างข้อมูลเชิงลึกที่มีความหมายสำหรับทีมการตลาดและการพัฒนาจึงมีความสำคัญมาก

การออกแบบเว็บไซต์

ความสามารถในการเพิ่มประสิทธิภาพช่วงเวลาสำคัญของการมีปฏิสัมพันธ์กับลูกค้าและเตรียมการเดินทางในลักษณะที่สร้างความพึงพอใจในระดับที่สูงขึ้นสำหรับทุกคนเป็นกุญแจสำคัญในการปลดล็อกความสำเร็จในระยะยาว และไม่มีที่ไหนจะชัดเจนไปกว่าช่องทางการบริการลูกค้า
ความสะดวกสบายของลูกค้าด้วยเทคโนโลยี
ฝ่ายบริการลูกค้ามีบทบาทสำคัญในแบรนด์เสมอมา โดยเฉพาะอย่างยิ่งในการย้ายลูกค้าจากผู้ที่ซื้อครั้งเดียวไปเป็นลูกค้าที่กลับมาซื้อซ้ำ ในยุคดิจิทัล เมื่อประสบการณ์แตกแยกมากขึ้น การเปลี่ยนจากการได้มาสู่การรักษาลูกค้าต้องเน้นที่การสนับสนุนหลังการทำธุรกรรมที่คมชัดยิ่งขึ้นกว่าที่เคยเป็นมา
ในปีที่ผ่านมา การค้าปลีกมีส่วนแบ่งที่ดีในการเปลี่ยนแปลง และหลายแบรนด์ได้หันมาใช้เทคโนโลยีใหม่และแปลกใหม่เพื่อช่วยจัดการกับความท้าทาย แต่ในขณะที่ฝุ่นผงตกลงมาเป็นเวลา 12 เดือนที่คาดเดาไม่ได้ เรากำลังเริ่มสร้างแผนภูมิว่าเทคโนโลยีอย่าง AI สามารถทำได้และควรมีบทบาทที่ใหญ่กว่านี้อย่างไร และในส่วนที่ไม่ควร
ความสะดวกสบายของผู้บริโภคด้วยเทคโนโลยีใหม่และที่เกิดขึ้นใหม่สามารถเป็นตัวบ่งชี้ที่ชัดเจนว่าเทรนด์เทคโนโลยีกำลังมุ่งหน้าไปที่ไหนและเทรนด์ใดจะประสบความสำเร็จ ในการศึกษาเมื่อเร็วๆ นี้ที่เราทำเราสังเกตเห็นแนวโน้มที่แข็งแกร่งต่อผู้บริโภคที่ลังเลใจเกี่ยวกับประสบการณ์การทำงานแบบอัตโนมัติเต็มรูปแบบ ผู้ตอบแบบสอบถามไม่ได้สนใจในประสบการณ์ตรงที่ AI เข้าควบคุมอย่างสมบูรณ์
อย่างไรก็ตาม พวกเขาสนใจในเทคโนโลยีที่สามารถสนับสนุนพวกเขาได้ในขณะที่สำรวจประสบการณ์ด้วยตนเอง และนั่นคือสิ่งที่ผู้ค้าปลีกสามารถ (และควร) ทราบในขณะที่พวกเขาสำรวจวิธีปรับปรุงประสบการณ์ของลูกค้าผ่านการบริการลูกค้าที่ดีขึ้น
เทคโนโลยีที่ขับเคลื่อนโดย AI เป็นช่องทางที่มีประสิทธิภาพในการช่วยลูกค้าจัดการกับปัญหาในปัจจุบัน และเนื่องจากเกี่ยวข้องกับปัญหาและข้อกังวลในขณะนั้น การบริการลูกค้าจึงเป็นสถานที่ที่เหมาะที่จะนำเครื่องมือ AI มาใช้ ใช้คำถามเช่น:
ฉันจะเปลี่ยนเป็นขนาดอื่นได้อย่างไร
ทำไมคำสั่งซื้อของฉันยังไม่มาถึง?
ฉันจะหาคู่มือการใช้งานสำหรับรุ่นนี้ได้ที่ไหน?
พวกเขาทั้งหมดค่อนข้างตรงไปตรงมาในการจัดการ แต่การนำ AI มาใช้ในกลไกการตอบสนอง คุณจะปรับปรุงประสบการณ์ของลูกค้าแต่ละรายได้อย่างมากในแต่ละวัน
ยกระดับการบริการลูกค้าไปอีกระดับด้วย AI
ขณะนี้ ระบบที่ได้รับการออกแบบมาเพื่อจัดการกับปัญหาสองสามร้อยปัญหาต่อสัปดาห์ กำลังดิ้นรนเพื่อให้ทันกับคำขอนับพันรายการ ธุรกิจใดก็ตามที่ช่องทางดิจิทัลเติบโตขึ้นสองถึงสี่เท่า(หรือมากกว่า) ในปีที่ผ่านมา (ซึ่งจะมีจำนวนธุรกิจที่สูงมาก) จะเคยประสบกับสิ่งนี้
ลูกค้ารายย่อยรายใหญ่ที่เราทำงานด้วยประสบปัญหานี้เมื่อปีที่แล้ว โซลูชันทางเทคโนโลยีที่นำมาใช้เพื่อจัดการกับข้อกังวลด้านบริการลูกค้าของพวกเขามีจุดมุ่งหมายเพื่อรองรับผู้บริโภคดิจิทัลในปริมาณที่คาดหวัง และการระบาดใหญ่ในปีที่แล้วทำให้ตัวเลขดังกล่าวพุ่งสูงขึ้น
แชทบ็อต AI ไม่เพียงแต่สามารถจัดการกับคำถามอย่างคำถามข้างต้นได้เร็วกว่าและแม่นยำกว่าที่เราสามารถทำได้ในปัจจุบัน แต่ยังสนับสนุนประสบการณ์ของลูกค้าที่ดีขึ้นอีกด้วย
การใช้ข้อมูลที่รวบรวมจากการโต้ตอบของแชทบอทของ AI ทำให้คุณสามารถระบุได้ว่าปัญหาการเดินทางของลูกค้าเกิดขึ้นที่ใดและลักษณะของปัญหาเหล่านั้น ซึ่งจะทำให้คุณสามารถป้องกันข้อกังวลบางอย่างไม่ให้ปรากฏได้ตั้งแต่แรก สิ่งนี้ไม่เพียงปรับปรุงประสบการณ์ของลูกค้าโดยตรง แต่ยังช่วยให้ทีมบริการลูกค้าสามารถมุ่งเน้นไปที่ปัญหาที่อัลกอริธึมจัดการได้ไม่ง่ายนัก และต้องการความคล่องแคล่วและเป็นส่วนตัวมากขึ้นของตัวแทนที่ถ่ายทอดสด
ระบบอัตโนมัติและข้อมูลเชิงลึกที่ดึงมาจากกลไกข้อมูลที่ใช้ AI นั้นรวดเร็วมาก สามารถแจ้งประสบการณ์การบริการลูกค้าที่ดีขึ้นเมื่อต้องจัดการกับปัญหาและตอบข้อกังวลของลูกค้า แต่ไม่ใช่แค่การพิจารณาปัญหาที่ AI สามารถช่วยได้ — เครื่องมือเดียวกันนี้ยังสามารถส่งผลต่อการขายระยะยาวที่เปิดใช้งานโดยสตรีมการบริการลูกค้าของคุณ
ฝ่ายบริการลูกค้ามีบทบาทสำคัญในการสอบถามผลิตภัณฑ์ในช่องทางเริ่มต้น ความสามารถในการตอบสนองต่อคำขอด้วยคำแนะนำที่เกี่ยวข้องตามบริบทและข้อมูลเชิงลึกที่มีความหมายเกี่ยวกับประโยชน์ของผลิตภัณฑ์หรือบริการสามารถเป็นเครื่องมือที่มีประสิทธิภาพสำหรับการสร้างความประทับใจไม่รู้ลืมกับผู้บริโภค และสำหรับการปิดการขาย
ปัจจุบันมีเครื่องมือ AI ในตลาดที่สามารถรองรับการค้นหาผลิตภัณฑ์และการค้นพบด้วยภาพ AI และการรวมการประมวลผลภาษาธรรมชาติ (NLP) อันทรงพลัง โดยการระบุลักษณะเฉพาะ(สีน้ำเงิน ปุ่มลง แขนยาว) ของผลิตภัณฑ์ที่ลูกค้ากำลังค้นหา(ในกรณีนี้คือเสื้อเชิ้ต) อัลกอริทึมสามารถจัดเตรียมรายการที่คล้ายกันให้เลือกสรร ซึ่งช่วยให้ลูกค้าค้นหาผลิตภัณฑ์ที่ดีที่สุดของตนได้ จับคู่.
ฟังก์ชันการค้นหากล้องที่น่าประทับใจยิ่งทำให้ลูกค้าสามารถอัปโหลดภาพของตนเองและค้นหารายการที่คล้ายกันบนเว็บไซต์ได้ ตัวอย่างเช่น Syte ซึ่งเราใช้สำหรับลูกค้ารายย่อยรายใหญ่บางรายของเรา มีคุณลักษณะที่ใช้ AI แบบภาพเพื่อระบุความคล้ายคลึงกันระหว่างผลิตภัณฑ์และให้คำแนะนำ
โอกาสเหล่านี้ในการเชื่อมต่อกับลูกค้าและปรับปรุงประสบการณ์การช็อปปิ้งเป็นส่วนหนึ่งของความพยายามในการบริการลูกค้าที่มากขึ้น ตอบสนองต่อความต้องการและความต้องการของผู้บริโภคด้วยความเชี่ยวชาญเช่นเดียวกับที่ปรึกษาในร้านค้า แต่ด้วยเครื่องมือดิจิทัลที่รวดเร็วและมีประสิทธิภาพสามารถเปิดใช้งานได้
AI สามารถสร้างประสบการณ์ที่แตกต่างในตลาดได้
ประสบการณ์ของลูกค้าเป็นแบบ end-to-end ซึ่งหมายความว่าลูกค้าไม่เพียงแค่ประเมินผลิตภัณฑ์และบริการในชั่วขณะเดียว แบรนด์สร้างขึ้นจากช่วงเวลาที่มีปฏิสัมพันธ์นับล้าน และการโต้ตอบที่สำคัญที่สุดหลายอย่างคือปฏิสัมพันธ์ในสตรีมการบริการลูกค้าของคุณ การใช้ประโยชน์จากพลังของ AI ผ่านการโต้ตอบการบริการลูกค้าของคุณหมายความว่าคุณสามารถเปิดโอกาสใหม่ ๆ เพื่อปรับปรุงช่องทางการขายทั้งทางตรงและทางอ้อม
ด้วยการนำ AI เข้าสู่สตรีมการบริการลูกค้าของคุณ ไม่ว่าจะผ่านแชทบอทอัตโนมัติ ช่องทางการค้นหาและค้นพบภาพ หรือแม้แต่ประสบการณ์การช็อปปิ้งที่สมจริงหรือเฉพาะบุคคล คุณจะสามารถสร้างประสบการณ์ที่แตกต่างของตลาดที่จะรับประกันการเติบโตของแบรนด์สำหรับ ลากยาว
Waikato Environment for Knowledge Analysis หรือที่เรียกว่า Weka คือชุดของการแสดงข้อมูลและเครื่องมืออัลกอริทึมที่สร้างขึ้นบน Java ไม่ต้องกังวล! คุณไม่จำเป็นต้องรู้จัก Java เพื่อใช้งาน Weka ด้วยอินเทอร์เฟซผู้ใช้แบบกราฟิก (GUI) เมื่อใช้ GUI นี้ คุณสามารถเรียกใช้โมเดลการเรียนรู้ของเครื่องยอดนิยมบนข้อมูลโดยไม่ต้องเขียนโค้ดใดๆ
ก่อนที่คุณจะเริ่มสกปรกกับ Weka คุณจะต้องเรียนรู้พื้นฐานของอัลกอริธึมการเรียนรู้ของเครื่อง
แนวคิดการเรียนรู้ของเครื่องที่สำคัญ
ข้อมูล
การถดถอย
การจัดหมวดหมู่
พื้นฐาน
ข้อมูล
ก่อนที่คุณจะเริ่มใช้อัลกอริธึมแมชชีนเลิร์นนิงได้ คุณจะต้องมีชุดข้อมูล สถานที่ที่ยอดเยี่ยมในการค้นหาคือKaggleซึ่งเป็นเว็บไซต์สำหรับนักวิทยาศาสตร์ข้อมูลที่มีความท้าทาย ชุดข้อมูล และอื่นๆ เพียงค้นหาชุดข้อมูลในพื้นที่ที่คุณสนใจแล้วดาวน์โหลด! ฉันจะใช้ชุดข้อมูลดอกไอริสถ้าคุณต้องการทำตาม
ฉันแนะนำให้มองหาชุดข้อมูลในรูปแบบ CSV เพื่อการใช้งานที่ง่ายที่สุด สำหรับผู้ที่ไม่ได้ฝึกหัด CSV ย่อมาจากค่าที่คั่นด้วยเครื่องหมายจุลภาค และเป็นเอกสารข้อความธรรมดาที่แต่ละบรรทัดเป็นแถวของตารางและจุลภาคคั่นคอลัมน์
หลังจากที่คุณดาวน์โหลดไฟล์ CSV แล้ว ให้เปิดไฟล์ในโปรแกรมแก้ไขข้อความเพื่อดูรูปแบบ
การถดถอย
การถดถอยเป็นวิธีหนึ่งที่คุณจะได้เรียนรู้ในคู่มือนี้ ปัญหาการถดถอยเน้นการทำนายจำนวนต่อเนื่อง ตัวอย่างเช่น จำนวนไลค์บนโพสต์ Facebook หรือราคาขายบ้าน ดูชุดข้อมูลที่คุณได้รับจาก Kaggle และพยายามระบุปัญหาการถดถอยโดยมองหาค่าที่ต่อเนื่องกันและตัดสินใจว่าจะมีประโยชน์ในการทำนายหรือไม่

เว็บแอพพลิเคชั่น

การจัดหมวดหมู่
การจัดประเภทเป็นอีกวิธีหนึ่งที่คุณจะได้เรียนรู้ที่นี่ ปัญหาการจำแนกประเภททำนายประเภทของบันทึก ตัวอย่างเช่น ดอกไม้นี้เป็นดอกกุหลาบหรือไม่? หรือนี่คือเครื่องดื่มโซดา? ดูชุดข้อมูลของคุณและพยายามระบุปัญหาการจัดหมวดหมู่โดยมองหาหมวดหมู่และตัดสินใจว่าจะมีประโยชน์ในการทำนายหรือไม่
ประเภทข้อมูล
ข้อมูลสามารถอยู่ในประเภทต่างๆ ฉันจะแนะนำให้คุณรู้จักกับประเภทข้อมูลที่มีค่าที่สุดสำหรับ Weka ชนิดข้อมูลที่สำคัญ ได้แก่ ตัวเลข สตริง และคลาส อย่างที่คุณคาดไว้ ตัวเลขประกอบด้วยประเภทข้อมูลที่เป็นตัวเลข ตัวอย่างเช่น ค่าต่อเนื่องใดๆ ที่คุณระบุสำหรับการถดถอยเป็นตัวเลข ข้อมูลสตริงคือข้อความ คำ ประโยค และย่อหน้าเป็นประเภทข้อมูลสตริงทั้งหมด สุดท้าย ข้อมูลคลาสคือข้อมูลที่มีหมวดหมู่หรือรายการที่กำหนดไว้ล่วงหน้า ตัวอย่างเช่น การให้ดาว IMDB หรือสายพันธุ์ของสุนัข ข้อมูลทั้งสามประเภทนี้ประกอบขึ้นเป็นข้อมูลส่วนใหญ่
การดำเนินการ
ตอนนี้ คุณมีแนวคิดที่ดีขึ้นเกี่ยวกับคำศัพท์พื้นฐานบางคำที่ใช้ในการเรียนรู้ของเครื่องแล้ว มาเริ่มสร้างแบบจำลองแรกของคุณกัน
Explorer มีแท็บเจ็ดแท็บ: ประมวลผลล่วงหน้า จัดประเภท คลัสเตอร์ เชื่อมโยง เลือกแอตทริบิวต์ แสดงภาพ และคาดการณ์ เราจะยึดตามขั้นตอนก่อน (ที่แสดงด้านบน) และจัดประเภทแท็บ นี่คือที่ที่คุณจะโหลดข้อมูลของคุณ อย่างไรก็ตาม เราจะต้องแปลงชุดข้อมูล CSV เป็นไฟล์ ARFF การทำเช่นนี้คุณจะต้องโปรแกรมแก้ไขข้อความและSublime ข้อความ หลังจากดาวน์โหลด Sublime แล้ว ให้เปิดไฟล์ CSV ในโปรแกรมแก้ไขข้อความและคัดลอกเนื้อหา จากนั้นวางลงในไฟล์ Sublime ใหม่ บันทึกไฟล์นี้และตั้งชื่อด้วย .arff ต่อท้าย
ไฟล์ ARFF มีสามส่วน: ความสัมพันธ์ คุณลักษณะและข้อมูล เราจะต้องเพิ่มส่วนเหล่านี้ลงในไฟล์ ในบรรทัดแรก ให้เพิ่มองค์ประกอบความสัมพันธ์และตั้งชื่อชุดข้อมูลของคุณ
ข้ามบรรทัดแล้วเพิ่มองค์ประกอบแอตทริบิวต์ คุณลักษณะของคุณจะเป็นคอลัมน์ของชุดข้อมูล แต่ละแอตทริบิวต์ต้องมีชื่อและประเภทข้อมูล เมื่อป้อนประเภทข้อมูลคลาส ให้ระบุแต่ละหมวดหมู่โดยคั่นด้วยเครื่องหมายจุลภาคภายในวงเล็บปีกกา
ในส่วนตัวเลือกการทดสอบ เรามีสี่ตัวเลือก: ใช้ชุดการฝึก ชุดทดสอบที่ให้มา การตรวจสอบข้าม และการแบ่งเปอร์เซ็นต์ เพื่อวัดความถูกต้องของแบบจำลองสำหรับการทำนายคอลัมน์ที่เลือก เราจำเป็นต้องให้ข้อมูลใหม่ที่ไม่เคยเห็นมาก่อน วิธีหนึ่งในการทำเช่นนี้คือแบ่งชุดข้อมูลของคุณออกเป็นสองส่วนที่เรียกว่า ทดสอบและฝึกอบรม
อย่างไรก็ตาม ผมขอแนะนำให้ใช้การตรวจสอบความถูกต้องข้ามกับ 10 เท่า การดำเนินการนี้จะแบ่งชุดข้อมูลออกเป็นการทดสอบและฝึกฝน (โดยมี 10 เปอร์เซ็นต์ของข้อมูลที่ใช้สำหรับการทดสอบ) 10 ครั้ง นี่เป็นแนวทางปฏิบัติที่ดีที่สุด

Web​ application

จากนั้นเราต้องเลือกอัลกอริธึมการเรียนรู้ของเครื่องที่เราจะใช้ เนื่องจากชนิดของม่านตาเป็นปัญหาการจำแนกประเภท ฉันจะใช้อัลกอริธึมการจำแนกประเภท อัลกอริธึมการจำแนกประเภทพื้นฐานอย่างหนึ่งคือการถดถอยโลจิสติก (อย่าสับสนกับ “การถดถอย” ในการถดถอยโลจิสติก เพราะเป็นอัลกอริธึมการจำแนกประเภท)
การถดถอยโลจิสติกจะแสดงตัวเลขระหว่างศูนย์ถึงหนึ่งเพื่อจัดประเภทระเบียน ฉันจะข้ามวิชาคณิตศาสตร์ไปก่อน แต่การทำความเข้าใจว่าอัลกอริธึมเหล่านี้ทำงานอย่างไรเป็นสิ่งสำคัญอย่างยิ่ง ในการเลือกอัลกอริธึมการถดถอยโลจิสติก ให้คลิกเลือกภายใต้ตัวแยกประเภท จากนั้นลอจิสติกส์ภายใต้ตัวแยกประเภท > ฟังก์ชัน
หากคุณกำลังทำปัญหาการถดถอย กระบวนการก็เหมือนกัน อย่างไรก็ตาม แทนที่จะเลือกลอจิสติกภายใต้ตัวแยกประเภท > ฟังก์ชัน ให้เลือก LinearRegression เช่นเดียวกับการถดถอยโลจิสติก ฉันจะข้ามคณิตศาสตร์เรื่องการถดถอยเชิงเส้นไปก่อน ตอนนี้ คุณอาจจะพูดว่า: “เยี่ยมมาก! ฉันได้โมเดลที่จะเรียกใช้ … แต่ตอนนี้อะไรล่ะ” หลังจากรันโมเดลของคุณแล้ว คุณต้องเรียนรู้วิธีอ่านผลลัพธ์และประเมินความสำเร็จของโมเดล
การประเมินแบบจำลอง
ผลลัพธ์ของ Weka จะแตกต่างกันสำหรับทั้งปัญหาการจำแนกและการถดถอย อย่างไรก็ตาม การทำความเข้าใจวิธีการอ่านและตีความผลลัพธ์ของ Weka นั้นมีความสำคัญเพื่อให้เข้าใจว่าแบบจำลองของคุณคาดการณ์ได้ดีเพียงใด เราจะพูดถึงผลลัพธ์ของทั้งปัญหาการจำแนกประเภทและการถดถอย
การจัดหมวดหมู่
มีสามส่วนที่สำคัญในผลลัพธ์การจัดหมวดหมู่ของ Weka สำหรับการประเมินความสำเร็จของแบบจำลอง สิ่งเหล่านี้เป็นการสรุป ความถูกต้องตามคลาส และเมทริกซ์ความสับสน
ในส่วนสรุป ให้ความสนใจกับอินสแตนซ์ที่จัดประเภทอย่างถูกต้อง นี่คือจำนวนเร็กคอร์ดของโมเดลที่จัดประเภทอย่างถูกต้อง และสามารถแสดงเป็นเปอร์เซ็นต์ได้ ในกรณีของชุดข้อมูลไอริส เราจำแนกเรคคอร์ดได้อย่างถูกต้อง 100 เปอร์เซ็นต์ นี่เป็นสิ่งที่หายากมากสำหรับชุดข้อมูลในโลกแห่งความเป็นจริง ดังนั้นอย่าคาดหวังว่าความแม่นยำของคุณจะสูงขนาดนี้ ความแม่นยำที่ดีจะแตกต่างกันไปตามชุดข้อมูลและพื้นที่ใช้งาน อย่างไรก็ตาม หากความแม่นยำของคุณต่ำกว่าโอกาสสุ่ม มีการปรับปรุงบางอย่างที่คุณต้องทำอย่างแน่นอน
ในความแม่นยำตามหมวดคลาส ให้ความสนใจกับการวัดค่า f และพื้นที่ ROC การวัดค่า f เป็นตัวชี้วัดระหว่างศูนย์และหนึ่งที่คำนึงถึงทั้งความแม่นยำและการเรียกคืน เมื่อประเมินค่า f ยิ่งใกล้ค่าเท่าใด แบบจำลองก็จะยิ่งทำงานได้ดีขึ้นเท่านั้น พื้นที่ ROC คือพื้นที่ใต้เส้นโค้งลักษณะการทำงานของตัวรับ ผลลัพธ์นี้จะอยู่ระหว่างศูนย์และหนึ่ง และจะแสดงว่าโมเดลสามารถแยกแยะระหว่างคลาสได้ดีเพียงใด
เมื่อประเมินพื้นที่ ROC ยิ่งตัวเลขใกล้เคียงกันมากเท่าไหร่ก็ยิ่งดีเท่านั้น คุณจะเห็นว่า Weka ให้พื้นที่การวัดค่า f และ ROC สำหรับแต่ละคลาส รวมถึงค่าเฉลี่ยถ่วงน้ำหนัก ฉันแนะนำให้ให้ความสนใจกับค่าเฉลี่ยถ่วงน้ำหนักเพื่อประเมินโมเดลโดยรวม อย่างไรก็ตาม หากคุณมีหลายคลาส สิ่งนี้สามารถช่วยระบุคลาสที่โมเดลมีปัญหาในการจำแนกประเภทโดยเฉพาะ
เมทริกซ์ความสับสนยังเป็นคุณลักษณะการประเมินที่สำคัญอีกด้วย ในเมทริกซ์นี้ แถวบนสุดระบุว่าเร็กคอร์ดถูกจัดประเภทอย่างไร และคอลัมน์ด้านข้างระบุว่าเร็กคอร์ดนั้นเป็นคลาสใด เส้นทแยงมุมแสดงระเบียนที่จัดประเภทอย่างถูกต้อง เมทริกซ์ความสับสนสามารถช่วยคุณระบุเร็กคอร์ดที่โมเดลมีปัญหาในการจำแนกประเภท

Robot Auto process

การถดถอย
ตัวแบบการถดถอยของ Weka มีส่วนการประเมินหนึ่งส่วน — สรุป อย่างไรก็ตาม หากคุณรันการถดถอยเชิงเส้น คุณจะมีส่วนที่เรียกว่าตัวแบบการถดถอยเชิงเส้น ตอนนี้ ฉันรู้ว่าฉันบอกว่าฉันจะข้ามคณิตศาสตร์เรื่องการถดถอยเชิงเส้น แต่รอสักครู่ การถดถอยเชิงเส้นจะสร้างฟังก์ชันเชิงเส้นที่แสดงถึงข้อมูลได้ดีที่สุด (คิดว่าเป็นเส้นที่พอดีที่สุด) ส่วนแบบจำลองการถดถอยเชิงเส้นจะแสดงฟังก์ชันที่ตัวแบบสร้างขึ้น ตัวอย่างเช่น ด้วยชุดข้อมูลม่านตา ฟังก์ชันการถดถอยเชิงเส้นเพื่อทำนายความกว้างของกลีบดอกไม้คือ:
PetalWidthCm = 0.0035 * Id -0.1591 * SepalLengthCm +0.2095 * SepalWidthCm + 0.4272 * PetalLengthCm -0.3811