---
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


---

# Datendefinition -- Global

# Datendefinition -- Global {#ariaid-title1}

* Freigeben Version: Yokohama
* 
* Aktualisiert 30. Januar 2025
* 
* ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 3 Minuten Lesedauer

Die Datendefinition API stellt Methoden zur Identifizierung bereit Ein Satz von Datensätzen, einschließlich Tabellenname, Spalten und Zeilenauswahlkriterien, die als Eingabe für ML-Trainingsalgorithmen verwendet werden sollen. Datensätze enthalten nicht die tatsächlichen Daten.

Dies API erfordert Predictive IntelligencePlugin (com.glide.platform_ml) und wird in bereitgestellt `sn_ml `Namespace. Informationen finden Sie unter [Predictive Intelligence](https://www.servicenow.com/docs/access?context=predictive-intelligence&version=yokohama&pubname=yokohama-intelligent-experiences&ft:locale=en-US).  
Verwenden Sie den Datensatz, um gegenseitige Informationen zu schätzen [VorhersageabilitätEstimate](https://servicenow-prod.fluidtopics.net/amBVbFONwX1yUwKDr0yCeQ#PredictabilityEstimateAPI "Die VorhersageabilitätEstimate API ist ein skriptfähiges Objekt, das in verwendet wird Predictive IntelligenceSpeichert. Dieses Objekt bietet eine Schätzung, wie vorhersehbare Felder eines Datensatzes sein können und welche Funktionen für die Vorhersage dieser Felder nützlich sein können.")Oder Trainingsdaten, die von angegeben werden [Encoder](https://servicenow-prod.fluidtopics.net/ncoTmwylbzXEwXVmPzAZcw#EncoderAPI "Die Encoder Die API stellt ein skriptfähiges Objekt bereit, das in verwendet wird Predictive IntelligenceSpeichert. Dieses Objekt konvertiert Eingabedaten in Zahlenvektoren basierend auf Encoder-spezifischen Zielen und Konfigurationen. Encoder können unabhängig voneinander verwendet werden, um Codierungen auszuführen, oder können als Teil von Lösungen zum Codieren von Textspalten konfiguriert werden."). Sie können den Datensatz auch verwenden, um Daten zu trainieren, die von einem der folgenden Lösungstypen angegeben werden:

* [KlassifizierungLösung](https://servicenow-prod.fluidtopics.net/ohCw_EFlm3nnOqTLdNg7GQ#ClassificationSolutionAPI "Die KlassifizierungLösung API ist ein skriptfähiges Objekt, das in verwendet wird Predictive IntelligenceSpeichert.")
* [ClusteringSolution](https://servicenow-prod.fluidtopics.net/QZIIopgS3YcqyOlnAMV4eQ#ClusteringSolutionAPI "Die ClusteringSolution API ist ein skriptfähiges Objekt, das in verwendet wird Predictive IntelligenceSpeichert.")
* [RegressionSolution](https://servicenow-prod.fluidtopics.net/_VmjKfLkbwk8rdRexlr1Wg#RegressionSolutionAPI "Die RegressionSolution API ist ein skriptfähiges Objekt, das in verwendet wird Predictive IntelligenceSpeichert.")
* [Gleichzeitigkeitslösung](https://servicenow-prod.fluidtopics.net/IG9IOSG~2LSq75jU9xPEcw#SimilaritySolutionAPI "Die Gleichzeitigkeitslösung API ist ein skriptfähiges Objekt, das in verwendet wird Predictive IntelligenceSpeichert.")
{#DatasetDefinitionAPI__ul_v1k_kzq_bmb}

Nutzungsrichtlinien finden Sie unter [Mit ML-APIs](https://www.servicenow.com/docs/access?context=using-ml-apis&version=yokohama&pubname=yokohama-intelligent-experiences&ft:locale=en-US).

## DatasetDefinition -- DatasetDefinition (Objekt) {#ariaid-title2}

Erstellt eine Instanz von Datendefinition Klasse, mit der Sie einen Datensatz nach Tabellenname, Feldern und Abfrage definieren können.
Erstellen Sie Ihre Datensatzdefinition, indem Sie eine Tabelle und eine Liste von Feldern übergeben. Sie können auch eine Abfrage übergeben, um Datensätze so einzuschränken, dass Zeilen mit bestimmten Merkmalen eingeschlossen werden.

Nach der Erstellung kann ein DatasetDefinition-Objekt nicht geändert werden.
{#DDef-DatasetDefinition_O__table_gm2_yt5_flb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Konfiguration | Objekt | JavaScript-Objekt, das die Eigenschaften der Datensatzdefinition enthält. { "encodedQuery": "String", "fieldDetails": [Array], "fieldNames": [Array], "tableName": "String" } |
| Config.tableName | Zeichenfolge | Name der Tabelle für den Datensatz. Beispiel: `„Tabellenname": „Incident" `. |
| Config.fieldnames | Array | Optional. Liste der Feldnamen aus der angegebenen Tabelle als Zeichenfolgen. Beispiel: `„Feldnamen": ["short_description", "Priorität"] `. Standard: Alle Felder |
| Config.fieldDetails | Array | Optional. Liste der JavaScript-Objekte, die Feldeigenschaften angeben. Verwenden Sie diese Eigenschaft, um Algorithmen für maschinelles Lernen zu erzwingen, Felder als einen bestimmten Typ zu interpretieren. Sie müssen nicht Felddetails für jedes Feld abrufen, das in aufgeführt ist fieldNamesEigenschaft. Alle Details müssen einem Feld entsprechen, das in aufgeführt ist fieldNamesArray. [ { "name": "String", "type": "String" } ] |
| config.fieldDetails.name | Zeichenfolge | Name des Felds, das den Typ der Informationen definiert, auf die dieser Datensatz beschränkt werden soll.Bei Verwendung muss dieser Feldname mit dem entsprechenden Namen übereinstimmen, der in aufgeführt ist fieldNamesEigenschaft. |
| Config.fieldDetails.type | Zeichenfolge | Feldtyp für maschinelles Lernen. Durch die Angabe des Datentyps wird der ML-Trainer gezwungen, ein Feld mit diesem Typ zu interpretieren. Wenn kein Datentyp angegeben ist, bestimmt das System den Typ. Unterstützte Typen: * nominal: ML interpretiert dieses Feld so, dass es Klassen oder Kategorien enthält. * numeric: ML interpretiert dieses Feld als enthält Zahlen. * text: ML interpretiert dieses Feld als Text enthaltenden Text. {#DDef-DatasetDefinition_O__ul_h15_jh5_hlb} Diese Typen identifizieren Datentypen aus der Perspektive des maschinellen Lernens. Der ML-Typ kann sich von dem in der Quelltabelle aufgeführten Typ unterscheiden. Ein Feld kann ein Zeichenfolgentyp sein, aber sein Zweck kann darin bestehen, einen Nominalwert zu codieren. Beispielsweise sind T-Shirt-Größen wie „XL", „L" oder „M" Zeichenfolgentypen in der Tabelle, aber jeder Wert stellt eine Kategorie eines nominalen Attributs aus ML-Perspektive dar. |
| Config.encodedQuery | Zeichenfolge | Optional. 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). Sie können die Abfrage als absolut oder relativ erstellen. Ihre Abfrage kann beispielsweise Zeilen für die letzten 3 Monate (relativ) oder für den Zeitraum von Mai bis Juli (absolut) zurückgeben. Unabhängig davon, ob ein absolutes oder relatives Muster verwendet wird, können sich die Daten, die eine Definition identifiziert, ändern, wenn sich die Zeilen in der zugrunde liegenden Tabelle ändern. |
[Tabelle : 1. Parameter]

{#DDef-DatasetDefinition_O__table_gm2_yt5_flb}  
Das folgende Beispiel zeigt, wie eine Datensatzdefinition erstellt wird.

    var myData = new sn_ml.DatasetDefinition(
      { 
         'tableName' : 'incident', 
         'fieldNames' : ['category', 'short_description', 'priority', 'assignment_group.name'],
         'fieldDetails' : [
           {
             'name' : 'category',
             'type' : 'nominal'
           },
           {
             'name' : 'short_description',
             'type' : 'text'
           }], 
         'encodedQuery' : 'sys_created_onONLast%202%20quarters@javascript:gs.beginningOfLast2Quarters()@javascript:gs.endOfLast2Quarters()^state=3'
      });

## DatasetDefinition -- getEligibleFields (Zeichenfolgenfähigkeit) {#ariaid-title3}

Gibt eine Liste von Feldern zurück, die entweder als Eingabefelder (Funktionen) oder vorhergesagte Felder in Bezug auf eine Lösung einer bestimmten Fähigkeit, z. B. eine Klassifizierungslösung, geeignet sind. Die Berechtigung wird basierend auf den Feldern mit den entsprechenden Glide-Datentypen bestimmt.
{#DDef-getEligibleFields_S__table_j34_5w4_flb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Fähigkeit | Zeichenfolge | Fähigkeit, für die Felder abgerufen werden können, die für Schulungen geeignet sind. Diese Methode unterstützt derzeit nur Klassifizierungslösungen. Jeder andere Wert für die Fähigkeit löst die Ausnahme „Fähigkeit nicht unterstützt" aus. Gültige Werte: `„Klassifizierung" ` |
[Tabelle : 2. Parameter]

{#DDef-getEligibleFields_S__table_j34_5w4_flb} {#DDef-getEligibleFields_S__table_k34_5w4_flb__entry__2}

| Typ | Beschreibung |
|-|-|
| Objekt | Objekt mit berechtigten Eingabefeldnamen und berechtigten Ausgabefeldnamen. { "eligibleInputFieldNames" : [Array], "eligibleOutputFieldNames" : [Array] } |
| \<Object\>.BerechtigungInputFeldNamen | Liste von Zeichenfolgen, die angeben, dass Eingabefelder für das Training geeignet sind. Datentyp: Array |
| \<Object\>.BerechtigungAusgabefeldNamen | Liste von Zeichenfolgen, die angeben, dass Ausgabefelder für das Training geeignet sind. Datentyp: Array |
[Tabelle : 3. Rückgaben]

{#DDef-getEligibleFields_S__table_k34_5w4_flb}  
Das folgende Beispiel zeigt, wie berechtigte Felder für eine Klassifizierungslösung angezeigt werden.

    var myIncidentData = new sn_ml.DatasetDefinition({
      'tableName' : 'incident',
      'encodedQuery' : 'activeANYTHING'
    });

    var eligibleFields = JSON.parse(myIncidentData.getEligibleFields('classification'));

    gs.print(JSON.stringify(eligibleFields, null, 2));

Ausgabe:

    {
      "eligibleInputFieldNames": [
        "resolved_by",
        "short_description",
        "description",
        "notify"
      ],
      "eligibleOutputFieldNames": [
        "parent",
        "caused_by",
        "location",
        "category"
      ]
    }


