---
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


---

# PredictabilityEstimate - 전역

# PredictabilityEstimate - 전역 {#ariaid-title1}

* 릴리스 버전: Australia
* 
* 업데이트 날짜 2026년 03월 12일
* 
* ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 소요 시간: 16분

PredictabilityEstimate API는 스토어에서 예측 인텔리전스 사용되는 스크립트 가능한 객체입니다. 이 객체는 데이터 세트의 필드를 예측할 수 있는 정도와 해당 필드를 예측하는 데 유용할 수 있는 기능을 추정합니다.

이것 API에는 플러그인(com.glide.platform_ml)이 필요 예측 인텔리전스 하며 `sn_ml` 네임스페이스 내에서 제공됩니다.  
예측 가능성 추정 설정-교육 플로우는 다음과 같습니다.

1. [DatasetDefinition](https://servicenow-prod.fluidtopics.net/o0mItlJWRoXXtFiWYvWHUw#DatasetDefinitionAPI "DatasetDefinition API는 식별하는 메서드를 제공합니다.ML 교육 알고리즘에 대한 입력으로 사용할 테이블 이름, 열 및 행 선택 기준을 포함하는 일련의 기록입니다. 데이터 세트에는 실제 데이터가 포함되어 있지 않습니다.") API를 사용하여 데이터 세트를 만듭니다.
2. [생성자를](https://servicenow-prod.fluidtopics.net/_nXFludiSK_1beFB6q0MTg#PrdctbltE-PredictabilityEstimate_O "예측 가능성 추정치를 생성합니다.") 사용하여 예측 가능성 추정 객체를 만듭니다.
3. [PredictabilityEstimateStore - add()](https://servicenow-prod.fluidtopics.net/04ANsmGBOEqbU3nsc0nnNA#PredictbltyEstStore-add_O "새 예측 가능성 예상치를 추가합니다. 하고 고유한 이름을 반환합니다.") 메서드를 사용하여 예측 가능성 추정 객체를 예측 가능성 추정 저장소에 추가합니다.
4. [submitTrainingJob()](https://servicenow-prod.fluidtopics.net/_nXFludiSK_1beFB6q0MTg#PrdctbltE-submitTrainingJob "교육 작업을 제출합니다.") 메서드를 사용하여 예측 가능성 추정치를 교육합니다. 이렇게 하면 [PredictabilityEstimateVersion](https://servicenow-prod.fluidtopics.net/Qb3GUZ3EZIYn4~j1~miOnw#PredictabilityEstimateVersionAPI "PredictabilityEstimateVersion API는 스토어에서 예측 인텔리전스 사용되는 스크립트 가능한 객체입니다.") API를 사용하여 관리할 수 있는 객체 버전이 생성됩니다.
5. [PredictabilityEstimateVersion -- getResults()](https://servicenow-prod.fluidtopics.net/Qb3GUZ3EZIYn4~j1~miOnw#PredictbltyEstV-getResults "출력 필드에 대해 제안된 입력 필드가 포함된 JSON 결과를 반환합니다.") 메서드를 사용하여 예상 예측 값을 가져옵니다.

{#PredictabilityEstimateAPI__ol_mmm_n1c_dmb}  
주:  
이 API는 Vancouver 패치 7 핫픽스 2b 및 Washington DC 패치 7 릴리스 전에 모든 권한으로 실행됩니다. 이후 릴리스에서는 ACL을 사용하여 액세스 권한을 부여합니다. 자세한 내용은 다음 문서를 참조하십시오 [Query ACLs](https://www.servicenow.com/docs/access?context=query-acl-rule&version=australia&pubname=australia-platform-security&ft:locale=en-US).

사용 지침은 [ML API 사용을 참조하세요.](https://www.servicenow.com/docs/access?context=using-ml-apis&version=australia&pubname=australia-intelligent-experiences&ft:locale=en-US)

## PredictabilityEstimate - PredictabilityEstimate(객체 구성) {#ariaid-title2}

예측 가능성 추정치를 생성합니다.
동일한 데이터 세트에서 새 예측 가능성 추정치를 가져오려면 이 생성자를 사용하여 고유한 이름으로 새 PredictabilityEstimate 개체를 만듭니다.
{#PrdctbltE-PredictabilityEstimate_O__table_gm2_yt5_flb__entry__3}{#PrdctbltE-PredictabilityEstimate_O__solution-obj-domainN-default}

| 이름 | 유형 | 설명 |
|-|-|-|
| 구성 | 객체 | 의 구성 속성을 포함하는 JavaScript 객체 예측 가능성 추정치입니다. { "dataset": {Object}, "domainName": "String", "inputFieldNames": [Array], "label": "String", "minRowCount": "String", "predictedFieldName": "String", "trainingFrequency": "String" } |
| config.dataset | 객체 | [DatasetDefinition](https://servicenow-prod.fluidtopics.net/o0mItlJWRoXXtFiWYvWHUw#DatasetDefinitionAPI "DatasetDefinition API는 식별하는 메서드를 제공합니다.ML 교육 알고리즘에 대한 입력으로 사용할 테이블 이름, 열 및 행 선택 기준을 포함하는 일련의 기록입니다. 데이터 세트에는 실제 데이터가 포함되어 있지 않습니다.") 이름입니다. |
| config.domainName | 문자열 | 옵션입니다. 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. 기본값: 현재 도메인(예: `"전역"`). |
| config.inputFieldNames | 배열 | 추정에 고려할 문자열로 된 후보 입력 필드 목록입니다. |
| config.label | 문자열 | 예측 작업을 식별합니다. |
| config.minRowCount | 문자열 | 옵션입니다. 교육을 위해 데이터 세트에 필요한 최소 기록 수입니다. 기본값: 10000 |
| config.predictedFieldName | 문자열 | 예측 가능성을 학습시킬 필드를 식별합니다. |
| config.trainingFrequency | 문자열 | 옵션입니다. 모델을 재교육할 빈도입니다. 가능한 값: * every_30_days * every_60_days * every_90_days * every_120_days * every_180_days * run_once {#PrdctbltE-PredictabilityEstimate_O__ul_pmw_523_plb}기본값: run_once |
[표 1. 매개변수]

{#PrdctbltE-PredictabilityEstimate_O__table_gm2_yt5_flb}  
다음 예제에서는 추정 작업을 생성하고 PredictabilityEstimate 저장소에 추가하는 방법을 보여 줍니다.

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

    var myEstimate = new sn_ml.PredictabilityEstimate({
      'label': "predictability estimate",
      'dataset' : myIncidentData,
      'inputFieldNames':['short_description'], 
      'predictedFieldName': 'category'
    });

    var myEstimateName = sn_ml.PredictabilityEstimateStore.add(myEstimate);

## 예측가능성 추정 - cancelTrainingJob() {#ariaid-title3}

에 대한 작업을 취소 예측 가능성 추정 객체 교육을 위해 제출된
{#PrdctbltE-cancelTrainingJob__table_bpb_k3z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 안 함 |   |   |
[표 2. 매개변수]

{#PrdctbltE-cancelTrainingJob__table_bpb_k3z_llb} {#PrdctbltE-cancelTrainingJob__table_cpb_k3z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 안 함 |   |
[표 3. 반환]

{#PrdctbltE-cancelTrainingJob__table_cpb_k3z_llb}  
다음 예는 기존 교육 작업을 취소하는 방법을 보여줍니다.

    var myEstimate = sn_ml.PredictabilityEstimateStore.get('ml_sn_global_global_predictability_estimate');

    myEstimate.cancelTrainingJob();

## 예측가능성 추정 - getActiveVersion() {#ariaid-title4}

활성 항목을 가져옵니다. PredictabilityEstimateVersion 객체입니다.
{#PrdctbltE-getActiveVersion__table_tvl_m3z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 안 함 |   |   |
[표 4. 매개변수]

{#PrdctbltE-getActiveVersion__table_tvl_m3z_llb} {#PrdctbltE-getActiveVersion__table_uvl_m3z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 객체 | 활성 [PredictabilityEstimateVersion](https://servicenow-prod.fluidtopics.net/Qb3GUZ3EZIYn4~j1~miOnw#PredictabilityEstimateVersionAPI "PredictabilityEstimateVersion API는 스토어에서 예측 인텔리전스 사용되는 스크립트 가능한 객체입니다.") 객체입니다. |
[표 5. 반환]

{#PrdctbltE-getActiveVersion__table_uvl_m3z_llb}  
다음 예제에서는 예측 가능성 추정 스토어에서 활성 버전을 가져오고 교육 상태를 반환

    var mlEstimate = sn_ml.PredictabilityEstimateStore.get('ml_x_snc_global_global_predictability_estimate');

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

출력:

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

## PredictabilityEstimate - getAllVersions() {#ariaid-title5}

의 모든 버전을 가져옵니다. 예측 가능성 추정치입니다.
{#PrdctbltE-getAllVersions__table_tvl_m3z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 안 함 |   |   |
[표 6. 매개변수]

{#PrdctbltE-getAllVersions__table_tvl_m3z_llb} {#PrdctbltE-getAllVersions__table_uvl_m3z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 배열 | 예측 솔루션 객체의 기존 버전입니다. 더 보기 [가능성 추정 버전](https://servicenow-prod.fluidtopics.net/Qb3GUZ3EZIYn4~j1~miOnw#PredictabilityEstimateVersionAPI "PredictabilityEstimateVersion API는 스토어에서 예측 인텔리전스 사용되는 스크립트 가능한 객체입니다.") API입니다. |
[표 7. 반환]

{#PrdctbltE-getAllVersions__table_uvl_m3z_llb}  
다음 예제는 모든 PredictabilityEstimate 버전 객체를 가져오고 getVersionNumber() 및 getStatus() 예상 버전 메서드를 호출하는 방법을 보여줍니다.

    var mlEstimate = sn_ml.PredictabilityEstimateStore.get('ml_x_snc_global_global_predictability_estimate');

    var mlEstimateVersions = mlEstimate.getAllVersions();

    for (i = 0; i < mlEstimateVersions.length; i++) {
    gs.print("Version " + mlEstimateVersions[i].getVersionNumber() + " Status: " + mlEstimateVersions[i].getStatus() +"\n");
    };

출력:

    Version 3 Status: {"state":"predictability_estimate_complete","percentComplete":"100","hasJobEnded":"true"}

    Version 2 Status: {"state":"predictability_estimate_complete","percentComplete":"100","hasJobEnded":"true"}

    Version 1 Status: {"state":"predictability_estimate_cancelled","percentComplete":"0","hasJobEnded":"true"}

## PredictabilityEstimate - getLatestVersion() {#ariaid-title6}

의 최신 버전을 가져옵니다. 예측 가능성 추정치입니다.
{#PrdctbltE-getLatestVersion__table_tvl_m3z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 안 함 |   |   |
[표 8. 매개변수]

{#PrdctbltE-getLatestVersion__table_tvl_m3z_llb} {#PrdctbltE-getLatestVersion__table_uvl_m3z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 객체 | [PredictabilityEstimateVersion](https://servicenow-prod.fluidtopics.net/Qb3GUZ3EZIYn4~j1~miOnw#PredictabilityEstimateVersionAPI "PredictabilityEstimateVersion API는 스토어에서 예측 인텔리전스 사용되는 스크립트 가능한 객체입니다.") 의 최신 버전에 해당하는 객체 a [PredictabilityEstimate()](https://servicenow-prod.fluidtopics.net/_nXFludiSK_1beFB6q0MTg#PrdctbltE-PredictabilityEstimate_O "예측 가능성 추정치를 생성합니다.") |
[표 9. 반환]

{#PrdctbltE-getLatestVersion__table_uvl_m3z_llb}  
다음 예제에서는 솔루션의 최신 버전을 가져오 예측 가능성 추정 및 교육 상태 반환

    var mlEstimate = sn_ml.PredictabilityEstimateStore.get('ml_x_snc_global_global_predictability_estimate');

    gs.print(JSON.stringify(JSON.parse(mlEstimate.getLatestVersion().getStatus()), null, 2));

출력:

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

## 예측 가능성 추정 - getName() {#ariaid-title7}

스토어와의 상호작용에 사용할 객체의 이름을 가져옵니다.
{#PrdctbltE-getName__table_pps_43z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 안 함 |   |   |
[표 10. 매개변수]

{#PrdctbltE-getName__table_pps_43z_llb} {#PrdctbltE-getName__table_qps_43z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 문자열 | 추정 객체의 이름입니다. |
[표 11. 반환]

{#PrdctbltE-getName__table_qps_43z_llb}  
다음 예제에서는 예측 가능성 추정 데이터 세트 정보를 업데이트하고 객체 이름을 인쇄하는

    // Update estimate
    var myIncidentData = new sn_ml.DatasetDefinition({
       'tableName' : 'incident',
       'fieldNames' : ['category', 'short_description', 'priority'],
       'encodedQuery' : 'activeANYTHING'
    });

    var myEstimate = new sn_ml.PredictabilityEstimate({
       'label': "my estimate",
       'dataset' : myIncidentData,
       'inputFieldNames':['short_description'],
       'predictedFieldName': 'category'
    });

    // update estimate
    sn_ml.PredictabilityEstimateStore.update('ml_x_snc_global_global_my_definition_4', myEstimate);

    // print estimate name
    gs.print('Estimate Name: '+myEstimate.getName());

출력:

    Estimate Name: ml_x_snc_global_global_my_definition_4

## 예측 가능성 추정 - getProperties() {#ariaid-title8}

예측 가능성 추정 객체 속성을 가져옵니다.
{#PrdctbltE-getProperties__table_pps_43z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 안 함 |   |   |
[표 12. 매개변수]

{#PrdctbltE-getProperties__table_pps_43z_llb} {#PrdctbltE-getProperties__table_qps_43z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 객체 | [PredictabilityEstimateStore](https://servicenow-prod.fluidtopics.net/04ANsmGBOEqbU3nsc0nnNA#PredictabilityEstimateStoreAPI "저장하고 검색할 수 있습니다 예측 가능성 추정치입니다.")의 데이터 세트 및 [PredictabilityEstimate()](https://servicenow-prod.fluidtopics.net/_nXFludiSK_1beFB6q0MTg#PrdctbltE-PredictabilityEstimate_O "예측 가능성 추정치를 생성합니다.") 객체 상세 정보의 내용입니다. { "datasetProperties": {Object}, "domainName": "String", "inputFieldNames": [Array], "label": "String", "name": "String", "predictedFieldName": "String", "scope": "String", "trainingFrequency": "String" } |
| \<Object\>.datasetProperties | 예상치와 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.") 객체의 속성을 나열합니다. { "encodedQuery": "String", "fieldDetails": [Array], "fieldNames": [Array], "tableName": "String" } |
| \<Object\>.datasetProperties.tableName | 데이터 세트의 테이블 이름입니다. 예: `"tableName" : "Incident"`. 데이터 유형: 문자열. |
| \<Object\>.datasetProperties.fieldNames | 지정된 테이블의 필드 이름을 문자열로 나열합니다. 예: `"fieldNames" : ["short_description", "priority"]`. 데이터 유형: 배열. |
| \<Object\>.datasetProperties.fieldNames.fieldDetails | 필드 속성을 지정하는 JavaScript 객체의 목록입니다. [ { "name": "String", "type": "String" } ] 데이터 유형: 배열. |
| \<Object\>.datasetProperties.fieldNames.fieldDetails.\<object\>. 이름 | 이 데이터 세트를 제한하는 정보 유형을 정의하는 필드의 이름입니다. 데이터 유형: 문자열. |
| \<Object\>.datasetProperties.fieldDetails.\<object\>. 유형 | 머신 러닝 필드 유형입니다. 데이터 유형: 문자열. |
| \<Object\>.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. |
| \<Object\>.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. |
| \<Object\>.inputFieldNames | 추정에 고려할 문자열로 된 후보 입력 필드 목록입니다. 데이터 유형: 문자열. |
| \<Object\>.label | 예측 작업을 식별합니다. { "label": "my first prediction" } 데이터 유형: 문자열. |
| \<Object\>.name | 시스템에서 할당한 이름입니다. 데이터 유형: 문자열. |
| \<Object\>.predictedFieldName | 예측 가능성을 학습시킬 필드를 식별합니다. 데이터 유형: 문자열. |
| \<Object\>.scope | 객체 범위입니다. 현재 유효한 값은 `전역`입니다. 데이터 유형: 문자열 |
| \<Object\>.trainingFrequency | 모델을 재교육할 빈도입니다. 가능한 값: * every_30_days * every_60_days * every_90_days * every_120_days * every_180_days * run_once {#PrdctbltE-getProperties__ul_pmw_523_plb}기본값: run_once 데이터 유형: 문자열. |
[표 13. 반환]

{#PrdctbltE-getProperties__table_qps_43z_llb}  
의 속성을 가져옵니다 예측 가능성 추정 객체 저장소에 있는

    var mySolution = sn_ml.PredictabilityEstimateStore.get('ml_sn_global_global_predictability_estimate');

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

출력:

    *** Script: {
      "datasetProperties": {
        "tableName": "incident",
        "fieldNames": [
          "category",
          "short_description",
          "priority",
          "assignment_group.name"
        ],
        "fieldDetails": [
          {
            "name": "category",
            "type": "nominal"
          },
          {
            "name": "short_description",
            "type": "text"
          }
        ]
      },
      "domainName": "global",
      "inputFieldNames": [
        "short_description"
      ],
      "label": "my estimate definition",
      "name": "ml_x_snc_global_global_my_definition_26",
      "predictedFieldName": "category",
      "processingLanguage": "en",
      "scope": "global",
      "stopwords": [
        "Default English Stopwords"
      ],
      "trainingFrequency": "run_once"
    }

## PredictabilityEstimate - getVersion(문자열 버전) {#ariaid-title9}

예측 가능성 예상치 가져오기 제공된 버전 번호를 기준으로 합니다.
{#PrdctbltE-getVersion_S__table_pps_43z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 버전 | 문자열 | 의 기존 버전 번호 예측 가능성 추정치입니다. |
[표 14. 매개변수]

{#PrdctbltE-getVersion_S__table_pps_43z_llb} {#PrdctbltE-getVersion_S__table_qps_43z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 객체 | [PredictabilityEstimateVersion](https://servicenow-prod.fluidtopics.net/Qb3GUZ3EZIYn4~j1~miOnw#PredictabilityEstimateVersionAPI "PredictabilityEstimateVersion API는 스토어에서 예측 인텔리전스 사용되는 스크립트 가능한 객체입니다.") API 메서드를 호출할 수 있는 [지정된 버전의 PredictabilityEstimate()](https://servicenow-prod.fluidtopics.net/_nXFludiSK_1beFB6q0MTg#PrdctbltE-PredictabilityEstimate_O "예측 가능성 추정치를 생성합니다.") 객체입니다. |
[표 15. 반환]

{#PrdctbltE-getVersion_S__table_qps_43z_llb}  
의 교육 상태를 가져오는 방법을 보여줍니다 버전 번호별 예측 가능성 추정치입니다.

    var mlEstimate = sn_ml.PredictabilityEstimateStore.get('ml_x_snc_global_global_predictability_estimate');

    gs.print(JSON.stringify(JSON.parse(mlEstimate.getVersion('1').getStatus()), null, 2));

출력:

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

## PredictabilityEstimate - setActiveVersion(문자열 버전) {#ariaid-title10}

스토어에서 예측 가능성 예상치의 지정된 버전을 활성화합니다.
{#PrdctbltE-setActiveVersion_S__table_pps_43z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 버전 | 문자열 | 활성화할 [PredictabilityEstimate()](https://servicenow-prod.fluidtopics.net/_nXFludiSK_1beFB6q0MTg#PrdctbltE-PredictabilityEstimate_O "예측 가능성 추정치를 생성합니다.") 객체 버전의 이름입니다. 이 버전을 활성화하면 다른 버전이 비활성화됩니다. |
[표 16. 매개변수]

{#PrdctbltE-setActiveVersion_S__table_pps_43z_llb} {#PrdctbltE-setActiveVersion_S__table_qps_43z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 없음 |   |
[표 17. 반환]

{#PrdctbltE-setActiveVersion_S__table_qps_43z_llb}  
활성화하는 방법을 보여줍니다 예측 가능성 추정치 스토어에서 솔루션 버전을

    sn_ml.PredictabilityEstimate.setActiveVersion("ml_x_snc_global_global_my_estimate_definition");

## PredictabilityEstimate - submitTrainingJob() {#ariaid-title11}

교육 작업을 제출합니다.
주:  
이 메서드를 실행하기 전에 먼저 [PredictabilityEstimateStore - add()](https://servicenow-prod.fluidtopics.net/04ANsmGBOEqbU3nsc0nnNA#PredictbltyEstStore-add_O "새 예측 가능성 예상치를 추가합니다. 하고 고유한 이름을 반환합니다.") 메서드를 사용하여 저장소에 예측 가능성 추정치를 추가해야 합니다.
{#PrdctbltE-submitTrainingJob__table_xmd_33z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 안 함 |   |   |
[표 18. 매개변수]

{#PrdctbltE-submitTrainingJob__table_xmd_33z_llb} {#PrdctbltE-submitTrainingJob__table_ymd_33z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 객체 | 예측 [가능성 추정 버전](https://servicenow-prod.fluidtopics.net/Qb3GUZ3EZIYn4~j1~miOnw#PredictabilityEstimateVersionAPI "PredictabilityEstimateVersion API는 스토어에서 예측 인텔리전스 사용되는 스크립트 가능한 객체입니다.") 객체에 해당하는 객체입니다. [예측 가능성 추정](https://servicenow-prod.fluidtopics.net/_nXFludiSK_1beFB6q0MTg#PrdctbltE-PredictabilityEstimate_O "예측 가능성 추정치를 생성합니다.") 학습 중인 |
[표 19. 반환]

{#PrdctbltE-submitTrainingJob__table_ymd_33z_llb}  
다음 예제에서는 데이터 세트를 만들고, 솔루션에 적용 예측 가능성 예상치, 추가 솔루션을 스토어에 추가하고, 교육 작업을 제출하는

    // Create a dataset 
    var myData = new sn_ml.DatasetDefinition({

      'tableName' : 'incident',
      'fieldNames' : ['assignment_group', 'short_description', 'description'],
      'encodedQuery' : 'activeANYTHING'

    });

    // Create an estimate 
    var myEstimate = new sn_ml.PredictabilityEstimate({

      'label': "my estimate definition",
      'dataset' : myData,
      'predictedFieldName' : 'assignment_group',
      'inputFieldNames':['short_description']

    });

    // Add the estimate to the store to later be able to retrieve it.
    var my_unique_name = sn_ml.PredictabilityEstimateStore.add(myEstimate);

    // Train the estimate - this is a long running job 
    var myEstimateVersion = myEstimate.submitTrainingJob();