--- sourceDocument: 호주 API 참조 sourceDocumentLink: https://servicenow-prod.fluidtopics.net/r/ko-KR/api-reference Release : - australia ft:locale : - ko-KR ft:publication_title : - 호주 API 참조 ft:clusterId : - crapiref bundleId : - crapiref workflow : - Creator --- # ClassificationSolutionVersion - 전역 # ClassificationSolutionVersion - 전역 {#ariaid-title1} * 릴리스 버전: Australia * * 업데이트 날짜 2026년 03월 12일 * * ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 소요 시간: 26분 ClassificationSolutionVersion API는 저장소에서 예측 인텔리전스 사용되는 스크립트 가능한 객체입니다. 이것 API에는 플러그인(com.glide.platform_ml)이 필요 예측 인텔리전스 하며 `sn_ml` 네임스페이스 내에서 제공됩니다. 이 API는 [ClassificationSolution 저장소](https://servicenow-prod.fluidtopics.net/rQ_EFVvAYaMuUT3j144cLA#ClassificationSolutionStoreAPI "솔루션을 저장하고 검색할 수 있습니다 .")의 [ClassificationSolution API](https://servicenow-prod.fluidtopics.net/G9ShyKlE9a7rqZyYhZcqOg#ClassificationSolutionAPI "ClassificationSolution API는 스토어에서 예측 인텔리전스 사용되는 스크립트 가능한 객체입니다.") 개체를 기반으로 솔루션 버전을 작업하는 데 사용됩니다. 솔루션 정의를 교육할 때마다 시스템에서 솔루션 버전을 생성합니다. 대부분의 버전은 예약된 솔루션 교육 중에 생성됩니다. 이 API의 메서드는 다음 메서드를 사용하여 액세스할 수 있습니다.[ClassificationSolution - 전역](https://servicenow-prod.fluidtopics.net/G9ShyKlE9a7rqZyYhZcqOg#ClassificationSolutionAPI "ClassificationSolution API는 스토어에서 예측 인텔리전스 사용되는 스크립트 가능한 객체입니다.") * [getActiveVersion()](https://servicenow-prod.fluidtopics.net/G9ShyKlE9a7rqZyYhZcqOg#ClassifictnSol-getActiveVersion "활성 항목을 가져옵니다. ClassificationSolutionVersion 객체입니다.") * [getAllVersions()](https://servicenow-prod.fluidtopics.net/G9ShyKlE9a7rqZyYhZcqOg#ClassifictnSol-getAllVersions "의 모든 버전을 가져옵니다. 분류 솔루션입니다.") * [getLatestVersion()](https://servicenow-prod.fluidtopics.net/G9ShyKlE9a7rqZyYhZcqOg#ClassifictnSol-getLatestVersion "의 최신 버전을 가져옵니다. 해결책.") * [getVersion()](https://servicenow-prod.fluidtopics.net/G9ShyKlE9a7rqZyYhZcqOg#ClassifictnSol-getVersion_S "솔루션을 가져옵니다. 제공된 버전 번호를 기준으로 합니다.") {#ClassificationSolutionVersionAPI__ul_ycl_fzf_tlb} ## ClassificationSolutionVersion - getPredictionPerformance(객체 옵션) {#ariaid-title2} 솔루션 정밀도와 범위를 계산합니다. 이 메서드를 사용하려면 먼저 setPredictionSettings() 메서드를 사용하여 설정을 만들어야 합니다. {#ClssfnV-getPredictionPerformance_O__table_gby_x2w_plb__entry__3} | 이름 | 유형 | 설명 | |-|-|-| | 옵션 | 객체 | 날짜 범위 내에서 검색할 메트릭을 선택합니다. 자세한 내용은 [대상 메트릭 구성을 참조하십시오.](https://www.servicenow.com/docs/access?context=configuring-target-metrics-trained-classification-solution&version=australia&pubname=australia-intelligent-experiences&ft:locale=en-US) { "fromDate": "String", "metricName": "String", "toDate": "String" } | | options.fromDate | 문자열 | 옵션입니다. 시스템 날짜 시간 형식으로 메트릭을 검색할 시작 날짜입니다. | | options.metricName | 문자열 | 메트릭 이름입니다. 유효한 값은 다음과 같습니다. * precision * coverage {#ClssfnV-getPredictionPerformance_O__ul_ncd_ldx_plb} | | options.toDate | 문자열 | 옵션입니다. 메트릭을 검색할 종료 날짜입니다. 형식: 시스템 날짜 시간 형식입니다. | [표 1. 매개변수] {#ClssfnV-getPredictionPerformance_O__table_gby_x2w_plb} {#ClssfnV-getPredictionPerformance_O__table_hby_x2w_plb__entry__2} | 유형 | 설명 | |-|-| | 객체 | 입력 메트릭에 대한 결과를 포함하는 구문 분석 가능한 JavaScript 객체입니다. { "metricName" : "String", "metricValue" : "String", "numberOfPredictionsConsidered" : "String" } | | Object.metricName | 입력으로 선택한 메트릭의 이름입니다. 데이터 유형: 문자열 | | Object.metricValue | 선택한 메트릭의 값입니다. 데이터 유형: 문자열 | | Object.numberOfRecords고려됨 | 계산에 고려된 예측 결과 \[ml_predictor_results\] 테이블의 기록 수입니다. 데이터 유형: 문자열 | [표 2. 반환] {#ClssfnV-getPredictionPerformance_O__table_hby_x2w_plb} 다음 예는 솔루션의 활성 버전에서 정밀도 값을 가져오는 방법을 보여줍니다. // 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)); 출력: { "metricName": "precision", "metricValue": "70.10", "numberOfPredictionsConsidered": "10" } ## ClassificationSolutionVersion - getPredictionSettings() {#ariaid-title3} ML 솔루션\[ml_solution\] 테이블에서 예상 정밀도, 예상 범위, 예상 회수 값을 가져오고 클래스 신뢰도\[ml_class\] 테이블에서 기록을 가져옵니다. {#ClssfnV-getPredictionSettings__table_eq3_xbw_plb__entry__3} | 이름 | 유형 | 설명 | |-|-|-| | 안 함 | | | [표 3. 매개변수] {#ClssfnV-getPredictionSettings__table_eq3_xbw_plb} {#ClssfnV-getPredictionSettings__table_wph_2dw_plb__entry__2} | 유형 | 설명 | |-|-| | 객체 | 각 클래스에 대한 예측 설정을 반환합니다. 데이터에는 ML 솔루션 \[ml_solution\] 테이블의 학습된 모델에 포함된 모든 클래스의 정밀도, 범위, 재현율 및 분포 값이 포함됩니다. 자세한 내용은 [예측 모델 구성요소를](https://www.servicenow.com/docs/access?context=predictive-intelligence&version=australia&pubname=australia-intelligent-experiences&ft:locale=en-US) 참조하십시오. { "": {Object} } | | \.\ | 클래스 신뢰도 \[ml_class\] 테이블의 교육 통계 데이터입니다. 자세한 내용은 [대상 메트릭 구성을 참조하십시오.](https://www.servicenow.com/docs/access?context=configuring-target-metrics-trained-classification-solution&version=australia&pubname=australia-intelligent-experiences&ft:locale=en-US) 데이터 유형: 객체 { "precision": "String", "coverage": "String", "recall": "String" } | | \.\.precision | 이 클래스의 예상 솔루션 정확도 메트릭입니다. 데이터 유형: 문자열(숫자 값) | | \.\.coverage | 이 클래스에 대한 예상 솔루션 범위 메트릭입니다. 데이터 유형: 문자열(숫자 값) | | \.\.recall | 이 클래스에 대한 예상 솔루션 회수 메트릭입니다. 데이터 유형: 문자열(숫자 값) | [표 4. 반환] {#ClssfnV-getPredictionSettings__table_wph_2dw_plb} 다음 예는 활성 솔루션 버전의 예측 설정을 가져오는 방법을 보여줍니다. var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization'); gs.print(JSON.stringify(JSON.parse(mlSolution.getActiveVersion().getPredictionSettings()), null, 2)); 출력: { "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} 솔루션 객체 속성 가져오기 및 버전 번호. {#ClssfnV-getProperties__table_d2m_zwz_4lb__entry__3} | 이름 | 유형 | 설명 | |-|-|-| | 안 함 | | | [표 5. 매개변수] {#ClssfnV-getProperties__table_d2m_zwz_4lb} {#ClssfnV-getProperties__table_e2m_zwz_4lb__entry__2}{#ClssfnV-getProperties__classification-obj-group-desc} | 유형 | 설명 | |-|-| | 객체 | 데이터 세트의 내용 및 [ClassificationSolution](https://servicenow-prod.fluidtopics.net/G9ShyKlE9a7rqZyYhZcqOg#ClassifictnSol-ClassificationSolution_O "분류 솔루션을 생성합니다.") 버전 상세 정보입니다. 결과는 객체 속성 설정에 따라 다릅니다. { "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" } | | \.algorithmConfig | 솔루션을 인코딩하는 방법입니다. 데이터 유형: 객체 | | \.algorithmConfig.algorithm | 이 솔루션을 학습시키기 위한 인코딩 알고리즘의 이름입니다. 가능한 값: * xgboost: XGBoost 인코딩을 사용하여 학습을 최적화합니다. * logisticRegression: 명목 또는 순서와 같은 범주형 대상에 대해 로지스틱 회귀 모델을 사용하는 방법입니다. {#ClssfnV-getProperties__ul_wtd_l2k_xlb} 데이터 유형: 문자열 | | \.algorithmConfig.targetClassRecall | 특정 클래스를 편향하도록 솔루션의 교육을 조정하는 클래스 회수 매개변수입니다. 회수 값은 백분율을 나타내는 0에서 100 사이의 숫자입니다. 데이터 유형: 문자열 | | \.datasetProperties | 솔루션과 연결된 [DatasetDefinition()](https://servicenow-prod.fluidtopics.net/o0mItlJWRoXXtFiWYvWHUw#DDef-DatasetDefinition_O "테이블 이름, 필드 및 쿼리로 데이터 세트를 정의할 수 있도록 DatasetDefinition 클래스의 인스턴스를 만듭니다.") 개체의 속성을 나열합니다. 데이터 유형: 객체 { "encodedQuery": "String", "fieldDetails": [Array], "fieldNames": [Array], "tableName": "String" } | | \.datasetProperties.tableName | 데이터 세트의 테이블 이름입니다. 예: `"tableName" : "Incident"`. 데이터 유형: 문자열 | | \.datasetProperties.fieldNames | 지정된 테이블의 필드 이름을 문자열로 나열합니다. 예: `"fieldNames" : ["short_description", "priority"]`. 데이터 유형: 배열 | | \.datasetProperties.fieldNames.fieldDetails | 필드 속성을 지정하는 JavaScript 객체의 목록입니다. 데이터 유형: 객체 배열 [ { "name": "String", "type": "String" } ] | | \.datasetProperties.fieldNames.fieldDetails.\. 이름 | 이 데이터 세트를 제한하는 정보 유형을 정의하는 필드의 이름입니다. 데이터 유형: 문자열 | | \.datasetProperties.fieldDetails.\. 유형 | 머신 러닝 필드 유형입니다. 데이터 유형: 문자열 | | \.datasetProperties.fieldDetails.encodedQuery | 표준 Glide 형식으로 인코딩된 쿼리 문자열입니다. [인코딩된 쿼리 문자열을 참조하세요.](https://www.servicenow.com/docs/access?context=c_EncodedQueryStrings&version=australia&pubname=australia-platform-user-interface&ft:locale=en-US) 데이터 유형: 문자열 | | \.domainName | 이 데이터 세트와 연결된 도메인 이름입니다. [도메인 분리 및 예측 인텔리전스](https://www.servicenow.com/docs/access?context=domain-separation-predictive-intelligence&version=australia&pubname=australia-intelligent-experiences&ft:locale=en-US)를 참조하십시오. 데이터 유형: 문자열 | | \.encoder | 이 솔루션에 할당된 인코더 객체입니다. [인코더 - 인코더(객체 구성)](https://servicenow-prod.fluidtopics.net/wJ6fJJivJTmcX4WQPKHNfw#Encoder-Encoder_O "인코더를 생성합니다.") 문서를 참조하십시오. 데이터 유형: 객체 | | \.groupByFieldName | 시스템이 분류 솔루션을 빌드하기 위해 기록을 그룹화하는 기준으로 사용할 필드 이름입니다. 데이터 유형: 문자열 | | \.inputFieldNames | 문자열로 된 입력 필드 이름 목록입니다. 모델은 예측에 사용되는 이러한 필드를 사용합니다. 데이터 유형: 문자열 | | \.isActive | 이 버전이 활성 상태인지 여부를 나타내는 플래그입니다. 유효한 값은 다음과 같습니다. * true: 버전이 활성 상태입니다. * false: 버전이 활성 상태가 아닙니다. {#ClssfnV-getProperties__ul_i5m_lp1_dmb} 데이터 유형: 문자열 | | \.label | 예측 작업을 식별합니다. { "label": "my first prediction" } 데이터 유형: 문자열 | | \.name | 시스템에서 할당한 이름입니다. 데이터 유형: 문자열 | | \.predictedFieldName | 예측 가능성을 학습시킬 필드를 식별합니다. 데이터 유형: 문자열 | | \.processingLanguage | 두 글자 ISO 639-1 언어 코드 형식의 처리 언어입니다. 데이터 유형: 문자열 | | \.scope | 객체 범위입니다. 현재 유효한 값은 `전역`입니다. 데이터 유형: 문자열 | | \.stopwords | 옵션입니다. 속성 설정에 따라 시스템이 자동으로 생성하는 문자열의 사전 설정 목록입니다 language . 자세한 내용은 [사용자 지정 스톱 워드 목록 만들기](https://www.servicenow.com/docs/access?context=create-custom-stopwords-list&version=australia&pubname=australia-intelligent-experiences&ft:locale=en-US)를 참조하세요. 데이터 유형: 배열 | | \.trainingFrequency | 모델을 재교육할 빈도입니다. 가능한 값: * every_30_days * every_60_days * every_90_days * every_120_days * every_180_days * run_once {#ClssfnV-getProperties__ul_pmw_523_plb}기본값: run_once 데이터 유형: 문자열 | | \.versionNumber | 의 버전 번호 ClassificationSolution 객체입니다. 데이터 유형: 문자열 | [표 6. 반환] {#ClssfnV-getProperties__table_e2m_zwz_4lb} 다음 예제에서는 저장소에 있는 활성 객체 버전의 속성을 가져옵니다. // Get properties var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization'); gs.print(JSON.stringify(JSON.parse(mlSolution.getActiveVersion().getProperties()), null, 2)); 출력: *** 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(부울 includeDetails) {#ariaid-title5} 교육 완료 상태를 가져옵니다. {#ClssfnV-getStatus_B__table_xfh_vbw_plb__entry__3} | 이름 | 유형 | 설명 | |-|-|-| | includeDetails | 부울 | 상태를 details반환할지 여부를 나타내는 플래그입니다. 유효한 값은 다음과 같습니다. * true: 추가 상세 정보를 반환합니다. * false: 추가 상세 정보를 반환하지 않습니다. {#ClssfnV-getStatus_B__ul_n33_ckw_plb} 기본값: false | [표 7. 매개변수] {#ClssfnV-getStatus_B__table_xfh_vbw_plb} {#ClssfnV-getStatus_B__table_yfh_vbw_plb__entry__2} | 유형 | 설명 | |-|-| | 객체 | 에 대한 교육 상태 정보를 포함하는 JavaScript 객체[ClassificationSolution](https://servicenow-prod.fluidtopics.net/G9ShyKlE9a7rqZyYhZcqOg#ClassificationSolutionAPI "ClassificationSolution API는 스토어에서 예측 인텔리전스 사용되는 스크립트 가능한 객체입니다.") 객체입니다. { "state": "String", "percentComplete": "Number as a String", "hasJobEnded": "Boolean value as a String", "details": {Object} } | | \.상태 | 교육 완료 상태입니다. 교육 작업이 종료 상태에 도달해도 작업이 종료 상태를 벗어나지 않습니다. 상태가 종료이면 속성이 hasJobEnded`true`로 설정됩니다. 가능한 값: * fetching_files_for_training * preparing_data * 재시도 * solution_cancelled (단말기) * solution_complete (터미널) * solution_error (터미널) * solution_incomplete * training_request_received * training_request_timed_out (단말기) * training_solution * uploading_solution * waiting_for_training {#ClssfnV-getStatus_B__ul_a5q_gh4_vlb} 데이터 유형: 문자열 | | \.hasJobEnded | 교육이 완료되었는지 여부를 나타내는 플래그입니다. 유효한 값은 다음과 같습니다. * true: 교육이 완료되었습니다. * false: 교육이 완료되지 않았습니다. {#ClssfnV-getStatus_B__ul_icy_zjx_rlb} 데이터 유형: 문자열로서의 부울 값 | | \.percent완료 | 교육 완료율. 완료율이 100 미만이면 작업이 종료 상태일 수 있습니다. 예를 들어 교육 시간이 초과되는 경우입니다. 데이터 유형: 문자열로 숫자 범위: 0에서 100까지 | | \.상세 정보 | 추가 교육 상세 정보 목록이 포함된 객체입니다. 데이터 유형: 객체 | [표 8. 반환] {#ClssfnV-getStatus_B__table_yfh_vbw_plb} 다음 예시에서는 교육이 완료된 성공적인 결과를 보여줍니다. // Get status var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization'); gs.print(JSON.stringify(JSON.parse(mlSolution.getActiveVersion().getStatus(true), null, 2))); 출력: { "state":"solution_complete", "percentComplete":"100", "hasJobEnded":"true", "details":{"stepLabel":"Solution Complete"} // This information is only returned if getStatus(true); } 다음 예에서는 교육이 완료된 실패한 결과를 보여줍니다. // 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)); 출력: { "state":"solution_error", "percentComplete":"100", "hasJobEnded":"true" } ## ClassificationSolutionVersion - getTrainingStatistics() {#ariaid-title6} 지정된 솔루션에 대한 모든 교육 통계를 가져옵니다. {#ClssfnV-getTrainingStatistics__table_vph_2dw_plb__entry__3} | 이름 | 유형 | 설명 | |-|-|-| | 안 함 | | | [표 9. 매개변수] {#ClssfnV-getTrainingStatistics__table_vph_2dw_plb} {#ClssfnV-getTrainingStatistics__table_wph_2dw_plb__entry__2} | 유형 | 설명 | |-|-| | 객체 | 교육에 포함된 각 클래스의 통계와 교육에서 제외된 각 클래스의 값이 포함된 JavaScript 객체입니다. 자세한 내용은 [예측 모델 구성요소를](https://www.servicenow.com/docs/access?context=predictive-intelligence&version=australia&pubname=australia-intelligent-experiences&ft:locale=en-US) 참조하십시오. { "includedClasses": {Object}, "excludedClasses": {Object} } | | \.included클래스 | 교육된 모델에 있는 각 클래스의 정밀도, 범위, 회수율 및 분포 값을 포함하는 객체입니다. 데이터 유형: 객체 "includedClasses": { "": { "distribution": "String", "statistics": [Array] }, | | \.includedClasses.\.distribution | 이 클래스의 결과 확률 분포 값입니다. 데이터 유형: 문자열 | | \.includedClasses.\.statistics | 교육 통계 데이터를 제공하는 객체의 목록입니다. 자세한 내용은 [대상 메트릭 구성을 참조하십시오.](https://www.servicenow.com/docs/access?context=configuring-target-metrics-trained-classification-solution&version=australia&pubname=australia-intelligent-experiences&ft:locale=en-US) 데이터 유형: 객체 배열 [ { "coverage": "String", "precision": "String", "recall": "String", "selected": "String" } ] | | \.includedClasses.\.statistics.coverage | 이 클래스에 대한 예상 솔루션 범위 메트릭입니다. 데이터 유형: 문자열(숫자 값) | | \.includedClasses.\.statistics.precision | 이 클래스의 예상 솔루션 정확도 메트릭입니다. 데이터 유형: 문자열(숫자 값) | | \.includedClasses.\.statistics.recall | 이 클래스에 대한 예상 솔루션 회수 메트릭입니다. 데이터 유형: 문자열(숫자 값) | | \.includedClasses.\.statistics.selected | 이 클래스에 솔루션 교육에 포함된 기록이 포함되어 있는지 여부를 나타내는 플래그입니다. 유효한 값은 다음과 같습니다. * true: 이 클래스에는 솔루션을 학습시키기 위해 선택한 레코드가 포함되어 있습니다. * false: 이 클래스는 교육에서 제외됩니다. {#ClssfnV-getTrainingStatistics__ul_sht_4cx_plb} 데이터 유형: 문자열(부울 값) 기본값: false | | \.excludedClasses | 교육에서 제외된 모든 클래스의 분포 및 행 수입니다. 데이터 유형: 객체 "excludedClasses": { "": { "distribution": "0.11", "rowCount": "9" } | | \.excludedClasses.\.distribution | 이 클래스의 결과 확률 분포 값입니다. 데이터 유형: 문자열 | | \.excludedClasses.\.rowCount | 교육에서 제외된 행 수입니다. 데이터 유형: 문자열(숫자 값) | [표 10. 반환] {#ClssfnV-getTrainingStatistics__table_wph_2dw_plb} 다음 예는 활성 솔루션에서 교육 통계를 가져오는 방법을 보여줍니다. // Get training stats var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization'); gs.print(JSON.stringify(JSON.parse(mlSolution.getActiveVersion().getTrainingStatistics()), null, 2)); 출력: { "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} 의 버전 번호를 가져옵니다. 솔루션 객체입니다. {#ClssfnV-getVersionNumber__table_jsz_sbw_plb__entry__3} | 이름 | 유형 | 설명 | |-|-|-| | 안 함 | | | [표 11. 매개변수] {#ClssfnV-getVersionNumber__table_jsz_sbw_plb} {#ClssfnV-getVersionNumber__table_ksz_sbw_plb__entry__2} | 유형 | 설명 | |-|-| | 문자열 | 버전 번호입니다. | [표 12. 반환] {#ClssfnV-getVersionNumber__table_ksz_sbw_plb} 다음 예시는 버전 번호를 가져오는 방법을 보여줍니다. // 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)); 출력: Version number: 1 ## ClassificationSolutionVersion - predict(객체 입력, 객체 옵션) {#ariaid-title8} 예측에 대한 입력 데이터를 가져옵니다. {#ClssfnV-predict_O_O__table_wwz_pbw_plb__entry__3} | 이름 | 유형 | 설명 | |-|-|-| | 입력 | 객체 | [GlideRecord](https://servicenow-prod.fluidtopics.net/Q2N~KJ0CerSTV4yr_nWFJw#c_GlideRecordAPI "GlideRecord API는 데이터베이스 작업에 사용됩니다.") 또는 필드 이름과 값을 키-값 쌍으로 포함하는 JSON 객체의 배열. | | 옵션 | 객체 | 예측 결과를 필터링하기 위한 선택적 값입니다. { "apply_threshold": Boolean, "top_n": Number } | | options.apply_threshold | 부울 | 솔루션의 임계값을 확인하고 결과 집합에 적용할지 여부를 나타내는 플래그입니다. 유효한 값은 다음과 같습니다. * 예: 신뢰도가 임계치보다 큰 결과를 반환합니다. * false: 모든 결과를 반환합니다. {#ClssfnV-predict_O_O__ul_f4d_xyx_slb} 기본값: True | | options.top_n | 번호 | 제공된 경우 지정된 예측 수를 포함하여 상위 결과를 반환합니다. | [표 13. 매개변수] {#ClssfnV-predict_O_O__table_wwz_pbw_plb} {#ClssfnV-predict_O_O__table_xwz_pbw_plb__entry__2} | 유형 | 설명 | |-|-| | 객체 | sys_id 또는 record_number별로 정렬된 예측 결과를 포함하는 JSON 객체입니다. { : [Array] } | | \.\ | 각 예측 결과에 대한 상세 정보가 있는 객체의 목록입니다. 데이터 유형: 객체 배열 : [ { "confidence": Number, "predictedSysId": "String", "predictedValue": "String", "threshold": Number } ] | | \.\.\. 신뢰도 | 예측과 관련된 신뢰도 값입니다. 예: 53.84. 데이터 유형: 숫자 | | \.\.\. predictedSysId | 예측 값의 sys_id입니다. 정보는 정보가 예측되는 모든 테이블에서 결과를 얻을 수 있습니다. 데이터 유형: 문자열 | | \.\.\. predictedValue | 예측 결과를 나타내는 값입니다. 데이터 유형: 문자열 | | \.\.\. 임계치 | 예측과 연결된 구성된 임계치의 값입니다. 데이터 유형: 숫자 | [표 14. 반환] {#ClssfnV-predict_O_O__table_xwz_pbw_plb} 다음 예제는 입력에 대해 sys_id하여 GlideRecord를 사용하고, 상위 3개의 결과로 제한하고 임계값을 제외하는 선택적 매개변수를 포함하는 predict() 메서드에 대한 예측 결과를 표시하는 방법을 보여줍니다. var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_incident_categorization'); // single GlideRecord input var input = new GlideRecord("incident"); input.get(""); // 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)); 출력: { "": [ { "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": "" } ] } 다음 예제는 필드 이름 배열을 입력에 대한 키-값 쌍으로 사용하고 상위 3개의 결과로 제한하고 임계값을 제외하는 선택적 매개변수를 포함하는 predict() 메서드에 대한 예측 결과를 표시하는 방법을 보여줍니다. 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)); 출력: { "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(객체 옵션) {#ariaid-title9} 솔루션 수준 또는 클래스 수준에서 정밀도, 범위 또는 회수 값을 설정합니다. {#ClssfnV-setPredictionSettings_O__table_b45_tdw_plb__entry__3} | 이름 | 유형 | 설명 | |-|-|-| | 옵션 | 객체 | 메트릭 구성 값입니다. 이러한 기능에 대한 자세한 내용은 [대상 메트릭 구성을](https://www.servicenow.com/docs/access?context=configuring-target-metrics-trained-classification-solution&version=australia&pubname=australia-intelligent-experiences&ft:locale=en-US) 참조하십시오. { "metricName" : "String", "metricValue" : "String", "className" : "String" } | | options.metricName | 문자열 | 설정할 메트릭의 이름입니다. 유효한 값은 다음과 같습니다. * 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} | | options.metricValue | 문자열 | 메트릭에 할당할 숫자 값입니다. | | options.className | 문자열 | 옵션입니다. 결과를 제한할 클래스의 이름입니다. [getTrainingStatistics()](https://servicenow-prod.fluidtopics.net/Unmnd_Elaxjy9CtjrxDB1g#ClssfnV-getTrainingStatistics "지정된 솔루션에 대한 모든 교육 통계를 가져옵니다.") 메서드를 사용하여 솔루션에 대한 전체 클래스 목록을 검색합니다. | [표 15. 매개변수] {#ClssfnV-setPredictionSettings_O__table_b45_tdw_plb} {#ClssfnV-setPredictionSettings_O__table_c45_tdw_plb__entry__2} | 유형 | 설명 | |-|-| | 없음 | | [표 16. 반환] {#ClssfnV-setPredictionSettings_O__table_c45_tdw_plb} 다음 예는 `Clone Issues라는` 클래스에 대해 정밀도 메트릭을 89.5로 설정하는 방법을 보여줍니다. 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);