Interpreta los resultados de las predicciones de los modelos de análisis de opiniones en texto
Organiza tus páginas con colecciones
Guarda y categoriza el contenido según tus preferencias.
Después de solicitar una predicción, Vertex AI muestra resultados según el objetivo de tu modelo. Las predicciones de los modelos de análisis de opiniones muestran la opinión general de un documento. La opinión se representa mediante un número entero de 0 a la puntuación máxima de las opiniones del modelo, que puede ser igual o menor que 10. El valor máximo de las opiniones de un modelo se establece durante el entrenamiento. Por ejemplo, si un modelo se entrenó con un conjunto de datos que tiene una puntuación máxima de las opiniones de 2, las puntuaciones de las opiniones previstas pueden ser 0 (negativas), 1 (neutrales) o 2 (positivas).
Ejemplo de resultado de la predicción por lotes
La siguiente muestra es el resultado previsto para un solo documento. Debido a que la puntuación máxima de las opiniones del modelo es de 8, la opinión prevista para esta muestra es claramente positiva.
[[["Fácil de comprender","easyToUnderstand","thumb-up"],["Resolvió mi problema","solvedMyProblem","thumb-up"],["Otro","otherUp","thumb-up"]],[["Difícil de entender","hardToUnderstand","thumb-down"],["Información o código de muestra incorrectos","incorrectInformationOrSampleCode","thumb-down"],["Faltan la información o los ejemplos que necesito","missingTheInformationSamplesINeed","thumb-down"],["Problema de traducción","translationIssue","thumb-down"],["Otro","otherDown","thumb-down"]],["Última actualización: 2025-09-02 (UTC)"],[],[],null,["# Interpret prediction results from text sentiment analysis models\n\n| Starting on September 15, 2024, you can only customize classification, entity extraction, and sentiment analysis objectives by moving to Vertex AI Gemini prompts and tuning. Training or updating models for Vertex AI AutoML for Text classification, entity extraction, and sentiment analysis objectives will no longer be available. You can continue using existing Vertex AI AutoML Text models until June 15, 2025. For a comparison of AutoML text and Gemini, see [Gemini for AutoML text users](/vertex-ai/docs/start/automl-gemini-comparison). For more information about how Gemini offers enhanced user experience through improved prompting capabilities, see [Introduction to tuning](/vertex-ai/generative-ai/docs/models/tune-gemini-overview). To get started with tuning, see [Model tuning for Gemini text models](/vertex-ai/generative-ai/docs/models/tune_gemini/tune-gemini-learn)\n\nAfter requesting a prediction, Vertex AI returns results based on your\nmodel's objective. Predictions from sentiment analysis models return the overall\nsentiment for a document. The sentiment is represented by an integer from 0 to\nthe model's max sentiment score, which can be equal to or less than 10. The\nmaximum sentiment value for a model is set during training. For example, if a\nmodel was trained on a dataset with a maximum sentiment score of 2, predicted\nsentiment scores can be 0 (negative), 1 (neutral), or 2 (positive).\n\nExample batch prediction output\n-------------------------------\n\nThe following sample is the predicted result for a single document. Because the\nmodel's maximum sentiment score is 8, the predicted sentiment for this sample is\nclearly positive.\n\n\n| **Note**: The following JSON Lines example includes line breaks for\n| readability. In your JSON Lines files, line breaks are included only after each\n| each JSON object.\n\n\u003cbr /\u003e\n\n\n```\n{\n \"instance\": {\"content\": \"gs://bucket/text.txt\", \"mimeType\": \"text/plain\"},\n \"prediction\": {\"sentiment\": 8}\n}\n```"]]