---
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


---

# Paramètres de configuration pour la configuration du modèle dans la classification

# Paramètres de configuration pour la configuration du modèle dans la classification {#ariaid-title1}

* Rversion finale: Australia
* 
* Mis à jour 12 mars 2026
* 
* ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 2 minutes de lecture

Personnalisez le comportement d'entraînement de votre solution de classification en transmettant un dictionnaire de paramètres au format JSON.

## Avant de commencer

Rôle requis : ml_admin ou admin

## Pourquoi et quand exécuter cette tâche

Vous pouvez affiner les performances des modèles en transmettant un dictionnaire de paramètres pour ajuster le comportement d'entraînement.

Comprendre les hyperparamètres d'apprentissage machine pertinents pour l'objectif de votre modèle. Cette option est avancée et doit être modifiée avec précaution.

Vous pouvez ajouter ces paramètres dans le formulaire de définition de solution en procédant comme suit.

Vous pouvez également utiliser un script pour ajouter ces paramètres. Pour le format à utiliser lors de l'écriture de scripts, reportez-vous à la section Que faire ensuite de cette page.

## Procédure

1. Accédez à la TousIntelligence prédictiveClassificationDéfinitions des solutions.
2. Ouvrez une solution de classification existante ou créez-en une nouvelle.
3. Sélectionnez l'onglet Paramètres de solution avancée dans la section Liens connexes du formulaire.
4. Sélectionnez Nouveau pour ouvrir le formulaire Paramètres de solution avancée (ml_advanced_solution_settings).
5. Dans le champ Paramètres de solution , recherchez <kbd class="ph userinput">Paramètres de configuration pour la configuration du modèle dans la classification</kbd>.
6. Dans le champ Entrées de l'utilisateur , saisissez les paires clé-valeur suivantes, après avoir modifié les valeurs selon vos besoins.  
   Remarque :  
   Lorsque vous collez les paramètres dans le formulaire de définition de solution, n'incluez pas l'étiquette englobante, les accolades ou les parenthèses de JSON. Saisissez les paires clé-valeur au format indiqué ici, après avoir modifié les valeurs en fonction de vos besoins.

       'max_depth': 10,'learning_rate': 0.1,'objective': 'multi:softprob','num_class': 11,'random_state': 10,'eval_metric': 'mlogloss','booster': 'gbtree','n_estimators': 150,'verbosity': 1,'use_label_encoder': false,'tree_method': 'hist','num_parallel_tree': 1,'gamma': 0.25,'subsample': 0.8,'max_delta_step': 5,'reg_alpha': 0,'reg_lambda': 1,'colsample_bytree': 0.8,'colsample_bylevel': 1,'colsample_bynode': 1,'min_child_weight': 1.25,'n_jobs': 11,'validate_parameters': true

7. Sélectionnez Soumettre pour mettre à jour la définition de la solution.

## Résultats

Le paramètre s'affiche sous la forme d'une ligne dans l'onglet Paramètres de solution avancée du formulaire de votre solution.

## Que faire ensuite

Reformez votre solution.

Vous pouvez également transmettre ce dictionnaire avec un script. Assurez-vous d'utiliser l'étiquette englobante, les accolades et les parenthèses lors de l'écriture de scripts.  
Exemple de script :

    config.setModelParams({                   
                        'max_depth': 10,                   
                        'learning_rate': 0.1,
                        'objective': 'multi:softprob',
                        'num_class': 11,
                        'random_state': 10,
                        'eval_metric': 'mlogloss',
                        'booster': 'gbtree',
                        'n_estimators': 150,
                        'verbosity': 1,
                        'use_label_encoder': false,
                        'tree_method': 'hist',
                        'num_parallel_tree': 1,
                        'gamma': 0.25,
                        'subsample': 0.8,
                        'max_delta_step': 5,
                        'reg_alpha': 0,
                        'reg_lambda': 1,
                        'colsample_bytree': 0.8,
                        'colsample_bylevel': 1,
                        'colsample_bynode': 1,
                        'min_child_weight': 1.25,
                        'n_jobs': 11,
                        'validate_parameters': true
                        });

Exemple JSON :

            
                {                    
                  "classification_model_params": {
                    'max_depth': 10,
                    'learning_rate': 0.1,
                    'objective': 'multi:softprob',
                    'num_class': 11,
                    'random_state': 10,
                    'eval_metric': 'mlogloss',
                    'booster': 'gbtree',
                    'n_estimators': 150,
                    'verbosity': 1,
                    'use_label_encoder': false,
                    'tree_method': 'hist',
                    'num_parallel_tree': 1,
                    'gamma': 0.25,
                    'subsample': 0.8,
                    'max_delta_step': 5,
                    'reg_alpha': 0,
                    'reg_lambda': 1,
                    'colsample_bytree': 0.8,
                    'colsample_bylevel': 1,
                    'colsample_bynode': 1,
                    'min_child_weight': 1.25,
                    'n_jobs': 11,
                    'validate_parameters': true
                    }
                  }

**Concepts associés**   

* [Utilisation des API de machine learning](https://servicenow-prod.fluidtopics.net/ahXuFuRd4HpBvlRRrhn9gQ#using-ml-apis "Utilisez ServiceNow les API de machine learning (ML) pour entraîner des modèles de machine learning et exécuter des inférences.")  
**Tâches associées**   

* [Créer et former une solution de classification](https://servicenow-prod.fluidtopics.net/tuFinMpIAi7MtruFYDAUJA "Spécifiez les enregistrements utilisés pour former une solution de classification, les champs qui déclenchent une prédiction et la fréquence à laquelle vous souhaitez reformer votre solution.")