--- sourceDocument: Australie : activer l’IA sourceDocumentLink: https://servicenow-prod.fluidtopics.net/r/fr-FR/intelligent-experiences Release : - australia ft:locale : - fr-FR ft:publication_title : - Australie : activer l’IA ft:clusterId : - platai bundleId : - platai workflow : - Platform --- # Configuration des paramètres avancés pour vos solutions ML # Configuration des paramètres avancés pour vos solutions ML {#ariaid-title1} * Rversion finale: Australia * * Mis à jour 12 mars 2026 * * ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 1 minute de lecture Découvrez les paramètres avancés pour vos Intelligence prédictive solutions d'apprentissage machine (ML). Appliquez la technologie et les algorithmes facultatifs pour les options de classification, de clustering, de similarité et de régression. L'utilisation de paramètres avancés dans vos solutions ML est facultative. Si vous choisissez d'implémenter l'un de ces paramètres, assurez-vous d'être bien informé sur la technologie que vous activez dans la solution et que votre cas d'utilisation bénéficie de ce que la technologie offre. Pour plus d'informations sur plusieurs de ces paramètres, reportez-vous à l'article [En savoir plus avec les paramètres avancés de mise en grappe](https://www.servicenow.com/community/intelligence-ml-articles/dive-deeper-with-clustering-advanced-parameters/ta-p/2695847) sur ServiceNow Community. La plupart des paramètres avancés sont limités à une seule option, car leur fonctionnalité est ciblée sur des cas d'utilisation spécifiques. ## Paramètres avancés de classification, de mise en grappe, de similarité et de régression {#configuring-advanced-settings-ml-solutions__section_hqs_g4f_yjb} À l'aide du rôle administrateur ou ml_admin, vous appliquez ces technologies en configurant un paramètre dans l'onglet Paramètres de solution avancée de votre formulaire de définition de solution ML. Pour mettre à jour ou supprimer un paramètre existant : Dans le formulaire de définition de la solution, sélectionnez l'onglet Paramètres de solution avancée , puis sélectionnez le nom du paramètre de la solution. Pour en savoir plus, reportez-vous aux procédures suivantes. * [Configurer le rappel de classe pour une solution de classification](https://servicenow-prod.fluidtopics.net/nXz2Wqk3gC~I6GarCLcqMw "Créez et appliquez un paramètre de rappel de classe à une solution ML avant d’entraîner ses données. Par exemple, vous définissez et appliquez ce paramètre de solution à 90 % de rappel pour tous les enregistrements de la classe E-mail.") * [Configurer TF-IDF pour les solutions](https://servicenow-prod.fluidtopics.net/CvPR3WLjrqetrd5Cpl0_cQ "Appliquez l’encodage TF-IDF (Term Frequency–Inverse Document Frequency) aux solutions de classification, de mise en grappe ou de similarité pour Intelligence prédictive.") * [Configurer DBSCAN pour une solution de mise en grappe](https://servicenow-prod.fluidtopics.net/C5O2dH_cViy9cWAB9OM9Ag "Envisagez d’appliquer l’algorithme DBSCAN (Density-Based Spatial Clustering of Applications with Noise) à votre solution de clustering. DBSCAN est disponible comme alternative à l’algorithme de clustering par défaut, k-means.") * [Configurer HDBSCAN pour une solution de mise en grappe](https://servicenow-prod.fluidtopics.net/IT7e1gSLdU9qX7k9M54SXA "Envisagez d’appliquer l’algorithme HDBSCAN (Hierarchical Density Density Clustering of Applications with Noise) à votre solution de clustering. HDBSCAN est disponible comme alternative à l’algorithme de clustering par défaut, k-means.") * [Configurer XGBoost pour les solutions de classification ou de régression](https://servicenow-prod.fluidtopics.net/~Be~KYeYmCSkXNwNk_kTjA "Appliquez l’encodage XGBoost pour optimiser l’entraînement de vos solutions de classification ou de régression.") * [Configurer l'algorithme du composant Connect et la méthode de distance de Levenshtein pour une solution de mise en grappe](https://servicenow-prod.fluidtopics.net/_Fo0W6vpWtjqRKNd2lUJNw "Appliquez l’encodage de la méthode Configure Connect Component et Levenshtein Distance pour optimiser l’entraînement de vos solutions de clustering.") * [Appliquer la pureté sur une solution de mise en grappe](https://servicenow-prod.fluidtopics.net/Wd8zE3KpqzfmFbiMQBjcHw "Appliquez la pureté pour connaître les détails de la composition de chaque grappe. Par exemple, consultez le pourcentage d’incidents dans une grappe ayant la même valeur pour le groupe d’affectation. Vous pouvez spécifier les champs sur lesquels vous souhaitez vous concentrer ou vous pouvez laisser les champs d’auto-pureté afficher par défaut.") * [Analyser une grappe avec Aperçu de grappe](https://servicenow-prod.fluidtopics.net/StIhnrXkX3u5w2XQctPnRw "Analysez une grappe à l’aide d’un champ disponible dans la table source. Avec la case à cocher Aperçu de grappe, vous pouvez ajouter une condition de filtre sur votre champ d’entrée lorsque vous passez en revue la liste des résultats.") {#configuring-advanced-settings-ml-solutions__ul_xbc_px3_zjb} ## Paramètres de solution avancée pour la classification {#configuring-advanced-settings-ml-solutions__section_bdp_234_nfc} À partir de la Zurich version, les solutions de classification offrent les paramètres de solution avancés suivants. * [Paramètres de configuration pour la configuration du modèle dans la classification](https://servicenow-prod.fluidtopics.net/se3vJxKA8o9apBtG3DbIIQ "Personnalisez le comportement d’entraînement de votre solution de classification en transmettant un dictionnaire de paramètres au format JSON.") * [Configurer les étiquettes Inclure uniquement les N premiers](https://servicenow-prod.fluidtopics.net/T5oj22HJ6AbwnLrJ_Vio0w "Limitez votre modèle de classification pour n’utiliser que les classes les plus courantes lors de la formation. Vous pouvez spécifier le nombre de classes à utiliser.") * [Nombre minimum d'enregistrements nécessaires pour que l'étiquette l'inclue](https://servicenow-prod.fluidtopics.net/DOLtEHyrHNvzLdEcv~3smg "Définissez un seuil pour le nombre minimal d’enregistrements qu’une étiquette doit avoir dans votre jeu de données pour être incluse dans la formation du modèle.") * [Supprimer l'étiquette des autres](https://servicenow-prod.fluidtopics.net/rdBZ2DeqD1ilMWPoJbf8eg "Réduisez le bruit dans votre modèle de classification et améliorez la précision prédictive en supprimant les enregistrements avec l’étiquette « autres » des données de formation. Il s’agit d’enregistrements dont la fréquence de distribution est inférieure à un pour cent.") * [Utiliser l'algo LightGBM pour la formation de modèle de classification](https://servicenow-prod.fluidtopics.net/2oWnMsqYvKR8b4eC~LpjVg "Activez l’algorithme LightGBM (Light Gradient-Boosting Machine) en tant qu’option avancée pour l’entraînement des modèles de classification.") {#configuring-advanced-settings-ml-solutions__ul_n3n_j34_nfc} * **[Configurer le rappel de classe pour une solution de classification](https://servicenow-prod.fluidtopics.net/nXz2Wqk3gC~I6GarCLcqMw)** Créez et appliquez un paramètre de rappel de classe à une solution ML avant d'entraîner ses données. Par exemple, vous définissez et appliquez ce paramètre de solution à 90 % de rappel pour tous les enregistrements de la classe E-mail. * **[Configurer TF-IDF pour les solutions](https://servicenow-prod.fluidtopics.net/CvPR3WLjrqetrd5Cpl0_cQ)** Appliquez l'encodage TF-IDF (Term Frequency--Inverse Document Frequency) aux solutions de classification, de mise en grappe ou de similarité pour Intelligence prédictive. * **[Configurer XGBoost pour les solutions de classification ou de régression](https://servicenow-prod.fluidtopics.net/~Be~KYeYmCSkXNwNk_kTjA)** Appliquez l'encodage XGBoost pour optimiser l'entraînement de vos solutions de classification ou de régression. * **[Configurer DBSCAN pour une solution de mise en grappe](https://servicenow-prod.fluidtopics.net/C5O2dH_cViy9cWAB9OM9Ag)** Envisagez d'appliquer l'algorithme DBSCAN (Density-Based Spatial Clustering of Applications with Noise) à votre solution de clustering. DBSCAN est disponible comme alternative à l'algorithme de clustering par défaut, k-means. * **[Configurer HDBSCAN pour une solution de mise en grappe](https://servicenow-prod.fluidtopics.net/IT7e1gSLdU9qX7k9M54SXA)** Envisagez d'appliquer l'algorithme HDBSCAN (Hierarchical Density Density Clustering of Applications with Noise) à votre solution de clustering. HDBSCAN est disponible comme alternative à l'algorithme de clustering par défaut, k-means. * **[Configurer l'algorithme du composant Connect et la méthode de distance de Levenshtein pour une solution de mise en grappe](https://servicenow-prod.fluidtopics.net/_Fo0W6vpWtjqRKNd2lUJNw)** Appliquez l'encodage de la méthode Configure Connect Component et Levenshtein Distance pour optimiser l'entraînement de vos solutions de clustering. * **[Paramètres de configuration pour la configuration du modèle dans la classification](https://servicenow-prod.fluidtopics.net/se3vJxKA8o9apBtG3DbIIQ)** Personnalisez le comportement d'entraînement de votre solution de classification en transmettant un dictionnaire de paramètres au format JSON. * **[Utiliser l'algo LightGBM pour la formation de modèle de classification](https://servicenow-prod.fluidtopics.net/2oWnMsqYvKR8b4eC~LpjVg)** Activez l'algorithme LightGBM (Light Gradient-Boosting Machine) en tant qu'option avancée pour l'entraînement des modèles de classification. * **[Nombre minimum d'enregistrements nécessaires pour que l'étiquette l'inclue](https://servicenow-prod.fluidtopics.net/DOLtEHyrHNvzLdEcv~3smg)** Définissez un seuil pour le nombre minimal d'enregistrements qu'une étiquette doit avoir dans votre jeu de données pour être incluse dans la formation du modèle. * **[Configurer les étiquettes Inclure uniquement les N premiers](https://servicenow-prod.fluidtopics.net/T5oj22HJ6AbwnLrJ_Vio0w)** Limitez votre modèle de classification pour n'utiliser que les classes les plus courantes lors de la formation. Vous pouvez spécifier le nombre de classes à utiliser. * **[Supprimer l'étiquette des autres](https://servicenow-prod.fluidtopics.net/rdBZ2DeqD1ilMWPoJbf8eg)** Réduisez le bruit dans votre modèle de classification et améliorez la précision prédictive en supprimant les enregistrements avec l'étiquette \<\< autres \>\> des données de formation. Il s'agit d'enregistrements dont la fréquence de distribution est inférieure à un pour cent.