---
sourceDocument: Yokohama-API-Referenz
sourceDocumentLink: https://servicenow-prod.fluidtopics.net/r/de-DE/yokohama/api-reference

 Release :

    - yokohama

ft:locale :

    - de-DE

ft:publication_title :

    - Yokohama-API-Referenz

ft:clusterId :

    - crapiref

bundleId :

    - crapiref

workflow :

    - Creator


---

# ClassificationSolutionVersion -- Global

# ClassificationSolutionVersion -- Global {#ariaid-title1}

* Freigeben Version: Yokohama
* 
* Aktualisiert 30. Januar 2025
* 
* ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 10 Minuten Lesedauer

Die ClassificationSolutionVersion API ist ein skriptfähiges Objekt, das in verwendet wird Predictive IntelligenceSpeichert.

Diese(s) API erfordert Predictive IntelligencePlugin (com.glide.platform_ml) und wird in bereitgestellt `sn_ml `Namespace.

Diese API wird für die Arbeit mit Lösungsversionen basierend auf verwendet [ClassificationSolution API](https://servicenow-prod.fluidtopics.net/ohCw_EFlm3nnOqTLdNg7GQ#ClassificationSolutionAPI "Die KlassifizierungLösung API ist ein skriptfähiges Objekt, das in verwendet wird Predictive IntelligenceSpeichert.")Objekte in [ClassificationSolution Store](https://servicenow-prod.fluidtopics.net/lKUflGIvrspvnOnRAJXOXw#ClassificationSolutionStoreAPI "Aktiviert das Speichern und Abrufen Lösungen.").

Das System erstellt jedes Mal eine Lösungsversion, wenn Sie eine Lösungsdefinition trainieren. Die meisten Versionen werden während des geplanten Lösungstrainings erstellt.  
Methoden in dieser API sind über Folgendes zugänglich [KlassifizierungLösung -- Global](https://servicenow-prod.fluidtopics.net/ohCw_EFlm3nnOqTLdNg7GQ#ClassificationSolutionAPI "Die KlassifizierungLösung API ist ein skriptfähiges Objekt, das in verwendet wird Predictive IntelligenceSpeichert.")Methoden:

* [GetActiveVersion()](https://servicenow-prod.fluidtopics.net/ohCw_EFlm3nnOqTLdNg7GQ#ClassifictnSol-getActiveVersion "Ruft die aktiven ab ClassificationSolutionVersion Objekt.")
* [GetAllVersions()](https://servicenow-prod.fluidtopics.net/ohCw_EFlm3nnOqTLdNg7GQ#ClassifictnSol-getAllVersions "Ruft alle Versionen von ab Eine Klassifizierungslösung.")
* [GetLatestVersion()](https://servicenow-prod.fluidtopics.net/ohCw_EFlm3nnOqTLdNg7GQ#ClassifictnSol-getLatestVersion "Ruft die neueste Version von ab Eine Lösung.")
* [Getversion()](https://servicenow-prod.fluidtopics.net/ohCw_EFlm3nnOqTLdNg7GQ#ClassifictnSol-getVersion_S "Ruft eine Lösung ab Nach angegebener Versionsnummer.")
{#ClassificationSolutionVersionAPI__ul_ycl_fzf_tlb}

## ClassificationSolutionVersion -- getPredictionPerformance(Objektoptionen) {#ariaid-title2}

Berechnet die Genauigkeit und Abdeckung der Lösung.
Zur Verwendung dieser Methode müssen Sie zuerst Einstellungen mit erstellen SetPredictionSettings() Methode.
{#ClssfnV-getPredictionPerformance_O__table_gby_x2w_plb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Optionen | Objekt | Wählt eine Metrik aus, die innerhalb eines Datumsbereichs abgerufen werden soll. Weitere Informationen finden Sie unter [Zielmetriken werden konfiguriert](https://www.servicenow.com/docs/access?context=configuring-target-metrics-trained-classification-solution&version=yokohama&pubname=yokohama-intelligent-experiences&ft:locale=en-US). { "fromDate": "String", "metricName": "String", "toDate": "String" } |
| options.fromDate | Zeichenfolge | Optional. Startdatum, ab dem Metriken im Systemdatums-/Uhrzeitformat abgerufen werden sollen. |
| Options.metricName | Zeichenfolge | Name der Metrik Gültige Werte: * precision * coverage {#ClssfnV-getPredictionPerformance_O__ul_ncd_ldx_plb} |
| Optionen.bis Datum | Zeichenfolge | Optional. Enddatum, ab dem Metriken abgerufen werden sollen. Formular: Systemdatums-/Uhrzeitformat. |
[Tabelle : 1. Parameter]

{#ClssfnV-getPredictionPerformance_O__table_gby_x2w_plb} {#ClssfnV-getPredictionPerformance_O__table_hby_x2w_plb__entry__2}

| Typ | Beschreibung |
|-|-|
| Objekt | Analysierbares JavaScript-Objekt, das die Ergebnisse für die Eingabemetrik enthält. { "metricName" : "String", "metricValue" : "String", "numberOfPredictionsConsidered" : "String" } |
| Object.metricName | Name der als Eingabe ausgewählten Metrik. Datentyp: Zeichenfolge |
| Object.metricWert | Wert der ausgewählten Metrik. Datentyp: Zeichenfolge |
| Objekt.NummernderDatensätze berücksichtigt | Anzahl der Datensätze in der Tabelle „Vorhersageergebnisse" \[ml_Predictor_results\], die für Berechnungen berücksichtigt werden. Datentyp: Zeichenfolge |
[Tabelle : 2. Rückgaben]

{#ClssfnV-getPredictionPerformance_O__table_hby_x2w_plb}  
Das folgende Beispiel zeigt, wie ein Genauigkeitswert aus der aktiven Version einer Lösung abgerufen wird.

    // Get precision value
    var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization');

    gs.print(JSON.stringify(JSON.parse(mlSolution.getActiveVersion().getPredictionPerformance({"metricName": "precision"})), null, 2));

Ausgabe:

    {
      "metricName": "precision",
      "metricValue": "70.10",
      "numberOfPredictionsConsidered": "10"
    }

## ClassificationSolutionVersion -- getPredictionSettings() {#ariaid-title3}

Ruft die geschätzte Genauigkeit, die geschätzte Abdeckung, die geschätzten Rückrufwerte aus der Tabelle „ML-Lösungen" \[ml_Solution\] und Datensätze aus der Tabelle „Klassenkonfidenz" \[ml_class\] ab.
{#ClssfnV-getPredictionSettings__table_eq3_xbw_plb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Keine |   |   |
[Tabelle : 3. Parameter]

{#ClssfnV-getPredictionSettings__table_eq3_xbw_plb} {#ClssfnV-getPredictionSettings__table_wph_2dw_plb__entry__2}

| Typ | Beschreibung |
|-|-|
| Objekt | Gibt Vorhersageeinstellungen für jede Klasse zurück. Die Daten enthalten Genauigkeits-, Abdeckungs-, Rückruf- und Verteilungswerte aller Klassen, die im trainierten Modell aus der Tabelle „ML-Lösungen" \[ml_Solution\] enthalten sind. Weitere Informationen finden Sie unter [Komponenten des Vorhersagemodells](https://www.servicenow.com/docs/access?context=predictive-intelligence&version=yokohama&pubname=yokohama-intelligent-experiences&ft:locale=en-US). { "<class name>": {Object} } |
| \<Object\>.\<class name\> | Trainingsstatistikdaten aus der Tabelle „Klassenkonfidenz" \[ml_class\]. Weitere Informationen finden Sie unter [Zielmetriken werden konfiguriert](https://www.servicenow.com/docs/access?context=configuring-target-metrics-trained-classification-solution&version=yokohama&pubname=yokohama-intelligent-experiences&ft:locale=en-US). Datentyp: Objekt { "precision": "String", "coverage": "String", "recall": "String" } |
| \<Object\>.\<class name\>.Precision | Geschätzte Metrik für Lösungsgenauigkeit für diese Klasse. Datentyp: Zeichenfolge (numerischer Wert) |
| \<Object\>.\<class name\>.Abdeckung | Metrik für geschätzte Lösungsabdeckung für diese Klasse. Datentyp: Zeichenfolge (numerischer Wert) |
| \<Object\>.\<class name\>.Rückruf | Geschätzte Lösungsrückrufmetrik für diese Klasse. Datentyp: Zeichenfolge (numerischer Wert) |
[Tabelle : 4. Rückgaben]

{#ClssfnV-getPredictionSettings__table_wph_2dw_plb}  
Das folgende Beispiel zeigt, wie Vorhersageeinstellungen einer aktiven Lösungsversion abgerufen werden.

    var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization');

    gs.print(JSON.stringify(JSON.parse(mlSolution.getActiveVersion().getPredictionSettings()), null, 2));

Ausgabe:

    {
      "solutionSettings": {
        "precision": "61.69",
        "coverage": "66.75",
        "recall": "57.54"
      },
      "classSettings": {
        "Approvals": {
          "precision": "100",
          "coverage": "0",
          "recall": "0"
        },
        "Authentication": {
          "precision": "38.71",
          "coverage": "98.44",
          "recall": "56.25"
        },
        "Automation": {
          "precision": "100",
          "coverage": "0",
          "recall": "0"
        }, ...

## ClassificationSolutionVersion -- getProperties() {#ariaid-title4}

Ruft Lösungsobjekteigenschaften ab Und Versionsnummer.
{#ClssfnV-getProperties__table_d2m_zwz_4lb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Keine |   |   |
[Tabelle : 5. Parameter]

{#ClssfnV-getProperties__table_d2m_zwz_4lb} {#ClssfnV-getProperties__table_e2m_zwz_4lb__entry__2}{#ClssfnV-getProperties__classification-obj-group-desc}

| Typ | Beschreibung |
|-|-|
| Objekt | Inhalt des Datensatzes und [KlassifizierungLösung](https://servicenow-prod.fluidtopics.net/ohCw_EFlm3nnOqTLdNg7GQ#ClassifictnSol-ClassificationSolution_O "Erstellt eine Klassifizierungslösung.")Versionsdetails. Die Ergebnisse variieren je nach Setup der Objekteigenschaft. { "algorithmConfig": { "algorithm": "String", "targetClassRecall": "String" }, "datasetProperties": {Object}, "domainName": "String", "encoder": {Object}, "groupByFieldName": "String", "inputFieldNames": [Array], "isActive": Boolean, "label": "String", "name": "String", "predictedFieldName": "String", "processingLanguage": "String", "scope": "String", "stopwords": [Array], "stopwords": [Array], "trainingFrequency": "String", "versionNumber": "Number" } |
| \<Object\>.AlgorithmConfig | Methode zum Codieren der Lösung. Datentyp: Objekt |
| \<Object\>.AlgorithmConfig.algorithmus | Name des Codierungsalgorithmus für das Trainieren dieser Lösung. Mögliche Werte: * xgboost: XGBoost-Codierung, um das Training zu optimieren. * logisticRegression: Methode, die das logistische Regressionsmodell für kategorische Ziele wie nominal oder Ordnungszahl verwendet. {#ClssfnV-getProperties__ul_wtd_l2k_xlb} Datentyp: Zeichenfolge |
| \<Object\>.AlgorithmConfig.targetClassRückruf | Klassenrückrufparameter, um das Training einer Lösung so zu steuern, dass eine bestimmte Klasse verzerrt wird. Der Rückrufwert ist eine Zahl zwischen 0 und 100, die einen Prozentsatz darstellt. Datentyp: Zeichenfolge |
| \<Object\>.DatasetProperties | Listet die Eigenschaften von auf [Datendefinition()](https://servicenow-prod.fluidtopics.net/P8pkp_FhlIJCSLrp2tVuyA#DDef-DatasetDefinition_O "Erstellt eine Instanz von Datendefinition Klasse, mit der Sie einen Datensatz nach Tabellenname, Feldern und Abfrage definieren können.")Objekt, das der Lösung zugeordnet ist. Datentyp: Objekt { "encodedQuery": "String", "fieldDetails": [Array], "fieldNames": [Array], "tableName": "String" } |
| \<Object\>.DatasetProperties.tableName | Name der Tabelle für den Datensatz. Beispiel: `„Tabellenname": „Incident" `. Datentyp: Zeichenfolge |
| \<Object\>.DatasetProperties.Feldnamen | Liste der Feldnamen aus der angegebenen Tabelle als Zeichenfolgen. Beispiel: `„Feldnamen": ["short_description", "Priorität"] `. Datentyp: Array |
| \<Object\>.DatasetProperties.fieldnames.fieldDetails | Liste der JavaScript-Objekte, die Feldeigenschaften angeben. Datentyp: Array von Objekten [ { "name": "String", "type": "String" } ] |
| \<Object\>.DatasetProperties.fieldnames.fieldDetails. \<object\>.Name | Name des Felds, das den Typ der Informationen definiert, auf die dieser Datensatz beschränkt werden soll. Datentyp: Zeichenfolge |
| \<Object\>.DatasetProperties.fieldDetails. \<object\>.Typ | Feldtyp für maschinelles Lernen. Datentyp: Zeichenfolge |
| \<Object\>.DatasetProperties.fieldDetails.encodedQuery | Codierte Abfragezeichenfolge im Standard-Glide-Format. Siehe [Codierte Abfragezeichenfolgen](https://www.servicenow.com/docs/access?context=c_EncodedQueryStrings&version=yokohama&pubname=yokohama-platform-user-interface&ft:locale=en-US). Datentyp: Zeichenfolge |
| \<Object\>.Domänenname | Domänenname, der diesem Datensatz zugeordnet ist. Siehe [Domänentrennung und Predictive Intelligence](https://www.servicenow.com/docs/access?context=domain-separation-predictive-intelligence&version=yokohama&pubname=yokohama-intelligent-experiences&ft:locale=en-US). Datentyp: Zeichenfolge |
| \<Object\>.Encoder | Encoderobjekt, das dieser Lösung zugewiesen ist.Siehe [Encoder -- Encoder (Objektkonfiguration)](https://servicenow-prod.fluidtopics.net/ncoTmwylbzXEwXVmPzAZcw#Encoder-Encoder_O "Erstellt einen Encoder."). Datentyp: Objekt |
| \<Object\>.GroupByFieldName | Feldname, nach dem das System Datensätze gruppiert, um Klassifizierungslösungen zu erstellen. Datentyp: Zeichenfolge |
| \<Object\>.InputFieldNames | Liste der Eingabefeldnamen als Zeichenfolgen. Das Modell verwendet diese Felder, die für Vorhersagen verwendet werden. Datentyp: Zeichenfolge |
| \<Object\>.Isaktiv | Kennzeichnung, die angibt, ob diese Version aktiv ist. Gültige Werte: * Wahr: Version ist aktiv. * Falsch: Version ist nicht aktiv. {#ClssfnV-getProperties__ul_i5m_lp1_dmb} Datentyp: Zeichenfolge |
| \<Object\>.Bezeichnung | Gibt die Vorhersageaufgabe an. { "label": "my first prediction" } Datentyp: Zeichenfolge |
| \<Object\>.Name | Vom System zugewiesener Name. Datentyp: Zeichenfolge |
| \<Object\>.PredictedFieldName | Gibt ein Feld an, das auf Vorhersehbarkeit trainiert werden soll. Datentyp: Zeichenfolge |
| \<Object\>.ProcessingLanguage | Sprache wird im zweistelligen ISO 639-1-Sprachcodeformat verarbeitet. Datentyp: Zeichenfolge |
| \<Object\>.Umfang | Objektbereich. Derzeit ist der einzige gültige Wert `Global `. Datentyp: Zeichenfolge |
| \<Object\>.Stoppwörter | Optional. Voreingestellte Liste von Zeichenfolgen, die das System automatisch basierend auf generiert languageEigenschaftseinstellung. Weitere Informationen finden Sie unter [Erstellen Sie eine anwenderdefinierte Stoppwortliste](https://www.servicenow.com/docs/access?context=create-custom-stopwords-list&version=yokohama&pubname=yokohama-intelligent-experiences&ft:locale=en-US). Datentyp: Array |
| \<Object\>.TrainingHäufigkeit | Die Häufigkeit zum erneuten Trainieren des Modells. Mögliche Werte: * Every_30_days * Every_60_days * Every_90_days * Every_120_days * Every_180_days * Run_once {#ClssfnV-getProperties__ul_pmw_523_plb}Standard: Run_once Datentyp: Zeichenfolge |
| \<Object\>.VersionNumber | Versionsnummer von KlassifizierungLösung Objekt. Datentyp: Zeichenfolge |
[Tabelle : 6. Rückgaben]

{#ClssfnV-getProperties__table_e2m_zwz_4lb}  
Das folgende Beispiel ruft Eigenschaften der aktiven Objektversion im Store ab.

    // Get properties
    var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization');

    gs.print(JSON.stringify(JSON.parse(mlSolution.getActiveVersion().getProperties()), null, 2));

Ausgabe:

    *** Script: {
      "datasetProperties": {
        "encodedQuery": "activeANYTHING^EQ",
        "fieldNames": [
          "short_description",
          "category"
        ],
        "tableName": "incident"
      },
      "domainName": "global",
      "inputFieldNames": [
        "short_description"
      ],
      "isActive": "true",
      "label": "Incident Categorization_Trainer",
      "name": "ml_incident_categorization",
      "predictedFieldName": "category",
      "processingLanguage": "en",
      "stopwords": [
        "Default English Stopwords"
      ],
      "versionNumber": "1"
    }

## ClassificationSolutionVersion -- getStatus(boolescher IncludeDetails) {#ariaid-title5}

Ruft den Abschlussstatus des Trainings ab.
{#ClssfnV-getStatus_B__table_xfh_vbw_plb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| IncludeDetails | Boolean | Kennzeichnung, die angibt, ob der Status zurückgegeben werden soll details. Gültige Werte: * Wahr: Gibt zusätzliche Details zurück. * Falsch: Geben Sie keine zusätzlichen Details zurück. {#ClssfnV-getStatus_B__ul_n33_ckw_plb} Standard: Falsch |
[Tabelle : 7. Parameter]

{#ClssfnV-getStatus_B__table_xfh_vbw_plb} {#ClssfnV-getStatus_B__table_yfh_vbw_plb__entry__2}

| Typ | Beschreibung |
|-|-|
| Objekt | JavaScript-Objekt, das Informationen zum Schulungsstatus für enthältA [KlassifizierungLösung](https://servicenow-prod.fluidtopics.net/ohCw_EFlm3nnOqTLdNg7GQ#ClassificationSolutionAPI "Die KlassifizierungLösung API ist ein skriptfähiges Objekt, das in verwendet wird Predictive IntelligenceSpeichert.")Objekt. { "state": "String", "percentComplete": "Number as a String", "hasJobEnded": "Boolean value as a String", "details": {Object} } |
| \<Object\>.status | Abschlussstatus des Trainings. Wenn der Schulungsauftrag einen Terminalstatus erreicht, verlässt der Auftrag diesen Status nicht. Wenn der Status „Terminal" ist, wird hasJobEndedEigenschaft ist auf festgelegt `Wahr `. Mögliche Werte: * fetching_files_for_training * Preparing_Data * Erneut versuchen * Solution_CANCEL (Terminal) * Solution_Complete (Terminal) * Solution_error (Terminal) * Lösung_unvollständig * Training_Request_Received * training_request_timed_out (Terminal) * Training_Solution * Uploading_Solution * Warten_auf_Training {#ClssfnV-getStatus_B__ul_a5q_gh4_vlb} Datentyp: Zeichenfolge |
| \<Object\>.HasJobEnded | Kennzeichnung, die angibt, ob das Training abgeschlossen ist. Gültige Werte: * Wahr: Training ist abgeschlossen. * Falsch: Training ist unvollständig. {#ClssfnV-getStatus_B__ul_icy_zjx_rlb} Datentyp: Boolescher Wert als Zeichenfolge |
| \<Object\>.Prozent abgeschlossen | Abschluss des Trainings in Prozent. Wenn der Fertigstellungsprozentsatz kleiner als 100 ist, befindet sich der Auftrag möglicherweise in einem Terminalstatus. Beispiel: Wenn beim Training eine Zeitüberschreitung auftritt. Datentyp: Zahl als Zeichenfolge Bereich: 0 bis 100 |
| \<Object\>.Details | Objekt, das eine Liste zusätzlicher Schulungsdetails enthält. Datentyp: Objekt |
[Tabelle : 8. Rückgaben]

{#ClssfnV-getStatus_B__table_yfh_vbw_plb}  
Das folgende Beispiel zeigt ein erfolgreiches Ergebnis mit abgeschlossenem Training.

    // Get status
    var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization');

    gs.print(JSON.stringify(JSON.parse(mlSolution.getActiveVersion().getStatus(true), null, 2)));

Ausgabe:

    {
     "state":"solution_complete",
     "percentComplete":"100",
     "hasJobEnded":"true",
     "details":{"stepLabel":"Solution Complete"} // This information is only returned if getStatus(true);
    }

Das folgende Beispiel zeigt ein nicht erfolgreiches Ergebnis mit abgeschlossenem Training.

    // Get status
    var solutionName = 'ml_x_snc_global_global_classification_solution';
    var mlSolution = sn_ml.ClassificationSolutionStore.get(solutionName);
    var trainingStatus = mlSolution.getLatestVersion().getStatus();

    gs.print(JSON.stringify(JSON.parse(trainingStatus), null, 2));

Ausgabe:

    {
     "state":"solution_error",
     "percentComplete":"100",
     "hasJobEnded":"true"
    }

## ClassificationSolutionVersion -- getTrainingStatistics() {#ariaid-title6}

Ruft alle Trainingsstatistiken für eine bestimmte Lösung ab.
{#ClssfnV-getTrainingStatistics__table_vph_2dw_plb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Keine |   |   |
[Tabelle : 9. Parameter]

{#ClssfnV-getTrainingStatistics__table_vph_2dw_plb} {#ClssfnV-getTrainingStatistics__table_wph_2dw_plb__entry__2}

| Typ | Beschreibung |
|-|-|
| Objekt | JavaScript-Objekt mit Statistiken für jede im Training enthaltene Klasse und Werten für jede vom Training ausgeschlossene Klasse. Weitere Informationen finden Sie unter [Komponenten des Vorhersagemodells](https://www.servicenow.com/docs/access?context=predictive-intelligence&version=yokohama&pubname=yokohama-intelligent-experiences&ft:locale=en-US). { "includedClasses": {Object}, "excludedClasses": {Object} } |
| \<Object\>.IncludedClasses | Objekt mit Genauigkeits-, Abdeckungs-, Rückruf- und Verteilungswerten jeder Klasse im trainierten Modell. Datentyp: Objekt "includedClasses": { "<class name>": { "distribution": "String", "statistics": [Array] }, |
| \<Object\>.IncludedClasses.\<class name\>.Distribution | Wert der Ergebniswahrscheinlichkeitsverteilung für diese Klasse. Datentyp: Zeichenfolge |
| \<Object\>.IncludedClasses.\<class name\>.statistics | Liste von Objekten, die Trainingsstatistikdaten bereitstellen. Weitere Informationen finden Sie unter [Zielmetriken werden konfiguriert](https://www.servicenow.com/docs/access?context=configuring-target-metrics-trained-classification-solution&version=yokohama&pubname=yokohama-intelligent-experiences&ft:locale=en-US). Datentyp: Array von Objekten [ { "coverage": "String", "precision": "String", "recall": "String", "selected": "String" } ] |
| \<Object\>.IncludedClasses.\<class name\>.statistics.Coverage | Metrik für geschätzte Lösungsabdeckung für diese Klasse. Datentyp: Zeichenfolge (numerischer Wert) |
| \<Object\>.IncludedClasses.\<class name\>.statistics.Precision | Geschätzte Metrik für Lösungsgenauigkeit für diese Klasse. Datentyp: Zeichenfolge (numerischer Wert) |
| \<Object\>.IncludedClasses.\<class name\>.statistics.Recall | Geschätzte Lösungsrückrufmetrik für diese Klasse. Datentyp: Zeichenfolge (numerischer Wert) |
| \<Object\>.IncludedClasses.\<class name\>.statistics.selected | Kennzeichnung, die angibt, ob diese Klasse Datensätze enthält, die im Lösungstraining enthalten sind. Gültige Werte: * Wahr: Diese Klasse enthält Datensätze, die zum Trainieren der Lösung ausgewählt wurden. * Falsch: Diese Klasse ist vom Training ausgeschlossen. {#ClssfnV-getTrainingStatistics__ul_sht_4cx_plb} Datentyp: Zeichenfolge (boolescher Wert) Standard: Falsch |
| \<Object\>.ExcludedClasses | Verteilung und Zeilenanzahl aller vom Training ausgeschlossenen Klassen. Datentyp: Objekt "excludedClasses": { "<class name>": { "distribution": "0.11", "rowCount": "9" } |
| \<Object\>.ExcludedClasses.\<class name\>.Distribution | Wert der Ergebniswahrscheinlichkeitsverteilung für diese Klasse. Datentyp: Zeichenfolge |
| \<Object\>.ExcludedClasses.\<class name\>.ROWCOUNT | Anzahl der vom Training ausgeschlossenen Zeilen. Datentyp: Zeichenfolge (numerischer Wert) |
[Tabelle : 10. Rückgaben]

{#ClssfnV-getTrainingStatistics__table_wph_2dw_plb}  
Das folgende Beispiel zeigt, wie Trainingsstatistiken aus der aktiven Lösung abgerufen werden.

    // Get training stats
    var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization');

    gs.print(JSON.stringify(JSON.parse(mlSolution.getActiveVersion().getTrainingStatistics()), null, 2));

Ausgabe:

    {
      "includedClasses": {
        "Approvals": {
          "distribution": "0.43",
          "statistics": [
            {
              "precision": "100",
              "coverage": "0",
              "recall": "0",
              "selected": "true"
            }
          ]
        }, 
        "Authentication": {
          "distribution": "4.3",
          "statistics": [
            {
              "precision": "39.33",
              "coverage": "95.31",
              "recall": "54.69",
              "selected": "false"
            },
            {
              "precision": "100",
              "coverage": "0",
              "recall": "0",
              "selected": "false"
            },
         ...
        }
        ...
      "excludedClasses": {
        "ACE": {
          "distribution": "0.11",
          "rowCount": "9"
        },
        "AHA": {
          "distribution": "0.01",
          "rowCount": "1"
        }, 
        ...
    }

## ClassificationSolutionVersion -- getVersionNumber() {#ariaid-title7}

Ruft die Versionsnummer von ab Ein Lösungsobjekt.
{#ClssfnV-getVersionNumber__table_jsz_sbw_plb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Keine |   |   |
[Tabelle : 11. Parameter]

{#ClssfnV-getVersionNumber__table_jsz_sbw_plb} {#ClssfnV-getVersionNumber__table_ksz_sbw_plb__entry__2}

| Typ | Beschreibung |
|-|-|
| Zeichenfolge | Versionsnummer. |
[Tabelle : 12. Rückgaben]

{#ClssfnV-getVersionNumber__table_ksz_sbw_plb}  
Das folgende Beispiel zeigt, wie eine Versionsnummer abgerufen wird.

    // Get version number
    var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization');

    gs.print("Version number: "+JSON.stringify(JSON.parse(mlSolution.getActiveVersion().getVersionNumber()), null, 2));

Ausgabe:

    Version number: 1

## ClassificationSolutionVersion -- Predict (Objekteingabe, Objektoptionen) {#ariaid-title8}

Ruft die Eingabedaten für eine Vorhersage ab.
{#ClssfnV-predict_O_O__table_wwz_pbw_plb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Eingabe | Objekt | [GlideRecord](https://servicenow-prod.fluidtopics.net/PhVphXpfpHtoByvicO1vjw#c_GlideRecordAPI "Die GlideRecord API wird für Datenbankvorgänge verwendet.") Oder Array von JSON-Objekten, die Feldnamen und -Werte als Schlüssel-Wert-Paare enthalten. |
| Optionen | Objekt | Optionale Werte zum Filtern von Vorhersageergebnissen. { "apply_threshold": Boolean, "top_n": Number } |
| Options.apply_threshold | Boolean | Kennzeichnung, die angibt, ob der Schwellenwert für die Lösung überprüft und auf den Ergebnissatz angewendet werden soll. Gültige Werte: * Wahr: Gibt Ergebnisse zurück, bei denen die Konfidenz größer als der Schwellenwert ist. * Falsch: Gibt alle Ergebnisse zurück. {#ClssfnV-predict_O_O__ul_f4d_xyx_slb} Standard: Wahr |
| Options.Top_n | Nummer | Wenn angegeben, werden die Top-Ergebnisse bis zur angegebenen Anzahl von Vorhersagen zurückgegeben. |
[Tabelle : 13. Parameter]

{#ClssfnV-predict_O_O__table_wwz_pbw_plb} {#ClssfnV-predict_O_O__table_xwz_pbw_plb__entry__2}

| Typ | Beschreibung |
|-|-|
| Objekt | JSON-Objekt, das die Vorhersageergebnisse enthält, sortiert nach sys_ID oder Record_number. { <identifier>: [Array] } |
| \<Object\>.\<identifier\> | Liste von Objekten mit Details für jedes Vorhersageergebnis. Datentyp: Array von Objekten <identifier>: [ { "confidence": Number, "predictedSysId": "String", "predictedValue": "String", "threshold": Number } ] |
| \<Object\>.\<identifier\>. \<object\>.Konfidenz | Wert der Konfidenz, die der Vorhersage zugeordnet ist. Beispiel: 53.84. Datentyp: Zahl |
| \<Object\>.\<identifier\>. \<object\>.PredictedSysId | Die sys_ID des vorhergesagten Werts. Ergebnisse können aus jeder Tabelle stammen, für die Informationen vorhergesagt werden. Datentyp: Zeichenfolge |
| \<Object\>.\<identifier\>. \<object\>.PredictedValue | Wert, der das Vorhersageergebnis darstellt. Datentyp: Zeichenfolge |
| \<Object\>.\<identifier\>. \<object\>.Schwellenwert | Wert des konfigurierten Schwellenwerts, der der Vorhersage zugeordnet ist. Datentyp: Zahl |
[Tabelle : 14. Rückgaben]

{#ClssfnV-predict_O_O__table_xwz_pbw_plb}  
Das folgende Beispiel zeigt, wie Vorhersageergebnisse für angezeigt werden Vorhersagen() Methode, die einen GlideRecord nach sys_ID für die Eingabe verwendet und optionale Parameter enthält, um auf die drei wichtigsten Ergebnisse zu beschränken und den Schwellenwert auszuschließen.

    var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization');

    // single GlideRecord input
    var input = new GlideRecord("incident");
    input.get("<sys_id>");

    // configure optional parameters
    var options = {};
    options.top_n = 3;
    options.apply_threshold = false;

    var results = mlSolution.getVersion(1).predict(input, options);
    // pretty print JSON results
    gs.print(JSON.stringify(JSON.parse(results), null, 2));

Ausgabe:

    {
      "<sys_id/gr>": [
        {
          "confidence": 62.10782320780268,
          "threshold": 20.36,
          "predictedValue": "Clone Issues",
          "predictedSysId": ""
        },
        {
          "confidence": 6.945237375770391,
          "threshold": 16.63,
          "predictedValue": "Instance Administration",
          "predictedSysId": ""
        },
        {
          "confidence": 5.321061076300759,
          "threshold": 23.7,
          "predictedValue": "Administration",
          "predictedSysId": ""
        }
      ]
    }

Das folgende Beispiel zeigt, wie Vorhersageergebnisse für angezeigt werden Vorhersagen() Methode, die ein Array von Feldnamen als Schlüssel-Wert-Paare für die Eingabe verwendet und optionale Parameter enthält, um auf die drei wichtigsten Ergebnisse zu beschränken und den Schwellenwert auszuschließen.

    var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization');

    // key-value pairs input
    var input = [{"short_description":"my email is not working"}, {short_description:"need help with password"}];

    // configure optional parameters
    var options = {};
    options.top_n = 3;
    options.apply_threshold = false;
    var results = mlSolution.predict(input, options);

    // pretty print JSON results
    gs.print(JSON.stringify(JSON.parse(results), null, 2));

Ausgabe:

    {
      "1": [
        {
          "confidence": 37.5023032262591,
          "threshold": 10.72,
          "predictedValue": "Authentication",
          "predictedSysId": ""
        },
        {
          "confidence": 24.439964862166583,
          "threshold": 23.7,
          "predictedValue": "Administration",
          "predictedSysId": ""
        },
        {
          "confidence": 11.736320486031047,
          "threshold": 100,
          "predictedValue": "Security",
          "predictedSysId": ""
        }
      ],
      "2": [
        {
          "confidence": 99,
          "threshold": 17.77,
          "predictedValue": "Email",
          "predictedSysId": ""
        },
        {
          "confidence": 3.182137005157543,
          "threshold": 10.72,
          "predictedValue": "Authentication",
          "predictedSysId": ""
        },
        {
          "confidence": 2.8773826570713514,
          "threshold": -1,
          "predictedValue": "Email (I/f)",
          "predictedSysId": ""
        }
      ]
    }

## ClassificationSolutionVersion -- setPredictionSettings(Objektoptionen) {#ariaid-title9}

Legt Genauigkeits-, Abdeckungs- oder Rückrufwerte auf Lösungs- oder Klassenebene fest.
{#ClssfnV-setPredictionSettings_O__table_b45_tdw_plb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Optionen | Objekt | Metrikkonfigurationswerte. Informationen zu diesen Funktionen finden Sie unter [Zielmetriken werden konfiguriert](https://www.servicenow.com/docs/access?context=configuring-target-metrics-trained-classification-solution&version=yokohama&pubname=yokohama-intelligent-experiences&ft:locale=en-US). { "metricName" : "String", "metricValue" : "String", "className" : "String" } |
| Options.metricName | Zeichenfolge | Name der festzulegenden Metrik. Gültige Werte: * coverage{#ClssfnV-setPredictionSettings_O__classification-v-metrics-coverage} * precision{#ClssfnV-setPredictionSettings_O__classification-v-metrics-precision} * recall{#ClssfnV-setPredictionSettings_O__classification-v-metrics-recall} {#ClssfnV-setPredictionSettings_O__ul_ncd_ldx_plb} |
| Optionen.metricWert | Zeichenfolge | Numerischer Wert, der der Metrik zugewiesen werden soll. |
| Optionen.className | Zeichenfolge | Optional. Name der Klasse, auf die Ergebnisse beschränkt werden sollen. Verwenden Sie [GetTrainingStatistics()](https://servicenow-prod.fluidtopics.net/ugSBUf6BBxgeKOIYF9dbTA#ClssfnV-getTrainingStatistics "Ruft alle Trainingsstatistiken für eine bestimmte Lösung ab.")Methode zum Abrufen einer vollständigen Liste von Klassen für eine Lösung. |
[Tabelle : 15. Parameter]

{#ClssfnV-setPredictionSettings_O__table_b45_tdw_plb} {#ClssfnV-setPredictionSettings_O__table_c45_tdw_plb__entry__2}

| Typ | Beschreibung |
|-|-|
| Keine |   |
[Tabelle : 16. Rückgaben]

{#ClssfnV-setPredictionSettings_O__table_c45_tdw_plb}  
Das folgende Beispiel zeigt, wie eine Genauigkeitsmetrik für eine Klasse mit dem Namen auf 89,5 festgelegt wird `Klonprobleme `.

    var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_x_snc_global_global_classification');
    var input = {"metricName" : "precision", "metricValue" : "89.5", "className" : "Clone Issues"};

    mlSolution.getActiveVersion().setTrainingStatistics(input);


