Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

# Résultat d'entraînement du classificateur
<a name="train-classifier-output"></a>

Une fois qu'Amazon Comprehend a terminé l'apprentissage du modèle de classificateur personnalisé, il crée des fichiers de sortie dans l'emplacement de sortie Amazon S3 que vous avez spécifié dans la demande d'[CreateDocumentClassifier](https://docs.aws.amazon.com/comprehend/latest/APIReference/API_CreateDocumentClassifier.html)API ou dans la demande de console équivalente.

Amazon Comprehend crée une matrice de confusion lorsque vous entraînez un modèle en texte brut ou un modèle de document natif. Il peut créer des fichiers de sortie supplémentaires lorsque vous entraînez un modèle de document natif.

**Topics**
+ [Matrice Confusion](#conf-matrix)
+ [Sorties supplémentaires pour les modèles de documents natifs](#train-class-output-native)

## Matrice Confusion
<a name="conf-matrix"></a>

Lorsque vous entraînez un modèle de classificateur personnalisé, Amazon Comprehend crée une matrice de confusion qui fournit des indicateurs sur les performances du modèle pendant l'entraînement. Cette matrice montre une matrice d'étiquettes prédites par le modèle, par rapport aux étiquettes réelles du document. Amazon Comprehend utilise une partie des données de formation pour créer la matrice de confusion.

Une matrice de confusion indique quelles classes pourraient utiliser davantage de données pour améliorer les performances du modèle. Une classe présentant une fraction élevée de prédictions correctes a le plus grand nombre de résultats le long de la diagonale de la matrice. Si le nombre sur la diagonale est inférieur, la classe a une fraction plus faible de prédictions correctes. Vous pouvez ajouter d'autres exemples d'entraînement pour cette classe et entraîner à nouveau le modèle. Par exemple, si 40 % des échantillons de l'étiquette A sont classés dans l'étiquette D, l'ajout d'échantillons supplémentaires pour l'étiquette A et l'étiquette D améliore les performances du classificateur.

Une fois qu'Amazon Comprehend a créé le modèle de classificateur, la matrice de confusion est disponible dans le `confusion_matrix.json` fichier à l'emplacement de sortie S3. 

Le format de la matrice de confusion varie selon que vous avez entraîné votre classificateur à utiliser le mode multi-classes ou le mode multi-étiquettes.

**Topics**
+ [Matrice de confusion pour le mode multiclasse](#m-c-matrix)
+ [Matrice de confusion pour le mode multi-étiquettes](#m-l-matrix)

### Matrice de confusion pour le mode multiclasse
<a name="m-c-matrix"></a>

En mode multiclasse, les classes individuelles s'excluent mutuellement, de sorte que la classification attribue une étiquette à chaque document. Par exemple, un animal peut être un chien ou un chat, mais pas les deux à la fois.

Prenons l'exemple suivant de matrice de confusion pour un classificateur entraîné à plusieurs classes :

```
  A B X Y <-(predicted label)
A 1 2 0 4
B 0 3 0 1
X 0 0 1 0
Y 1 1 1 1
^
|
(actual label)
```

Dans ce cas, le modèle a prédit ce qui suit :
+ Une étiquette « A » a été prédite avec précision, deux étiquettes « A » ont été incorrectement prédites comme des étiquettes « B » et quatre étiquettes « A » ont été incorrectement prédites comme des étiquettes « Y ».
+ Trois étiquettes « B » ont été prédites avec précision, et une étiquette « B » a été incorrectement prédite en tant qu'étiquette « Y ».
+ Un « X » a été prédit avec précision.
+ Une étiquette « Y » a été prédite avec précision, une a été incorrectement prédite comme une étiquette « A », une a été incorrectement prédite comme une étiquette « B » et une autre a été incorrectement prédite comme une étiquette « X ».

La ligne diagonale de la matrice (A:A B:B, X:X, et Y:Y) indique les prévisions exactes. Les erreurs de prédiction sont les valeurs situées en dehors de la diagonale. Dans ce cas, la matrice indique les taux d'erreur de prédiction suivants : 
+ Étiquettes A : 86 %
+ Étiquettes B : 25 %
+ Étiquettes X : 0 %
+ Étiquettes Y : 75 %

Le classificateur renvoie la matrice de confusion sous forme de fichier au format JSON. Le fichier JSON suivant représente la matrice de l'exemple précédent.

```
{
 "type": "multi_class",
 "confusion_matrix": [
 [1, 2, 0,4],
 [0, 3, 0, 1],
 [0, 0, 1, 0],
 [1, 1, 1, 1]],
 "labels": ["A", "B", "X", "Y"],
 "all_labels": ["A", "B", "X", "Y"]
}
```

### Matrice de confusion pour le mode multi-étiquettes
<a name="m-l-matrix"></a>

En mode multi-étiquettes, la classification peut attribuer une ou plusieurs classes à un document. Prenons l'exemple suivant d'une matrice de confusion pour un classificateur entraîné à plusieurs classes.

Dans cet exemple, trois libellés sont possibles : `Comedy``Action`, et`Drama`. La matrice de confusion multi-étiquettes crée une matrice 2x2 pour chaque étiquette.

```
Comedy                   Action                   Drama 
     No Yes                   No Yes                   No Yes   <-(predicted label)                                      
 No  2   1                No  1   1                No  3   0                                                         
Yes  0   2               Yes  2   1               Yes  1   1   
 ^                        ^                        ^
 |                        |                        |
 |-----------(was this label actually used)--------|
```

Dans ce cas, le modèle a renvoyé ce qui suit pour l'`Comedy`étiquette :
+ Deux cas où la présence d'une `Comedy` étiquette a été prédite avec précision. Vrai positif (TP). 
+ Deux cas où l'absence d'une `Comedy` étiquette a été prédite avec précision. Vrai négatif (TN).
+ Aucune occurrence où la présence d'une `Comedy` étiquette a été prédite par erreur. Faux positif (FP).
+ Un cas où l'absence d'une `Comedy` étiquette a été incorrectement prédite. Faux négatif (FN).

Comme dans le cas d'une matrice de confusion à classes multiples, la ligne diagonale de chaque matrice indique les prédictions exactes.

Dans ce cas, le modèle a prédit avec précision `Comedy` les étiquettes 80 % du temps (TP plus TN) et les a incorrectement prédites 20 % du temps (FP plus FN).



Le classificateur renvoie la matrice de confusion sous forme de fichier au format JSON. Le fichier JSON suivant représente la matrice de l'exemple précédent.

```
{
"type": "multi_label",
"confusion_matrix": [
 [[2, 1],        
 [0, 2]],
 [[1, 1],        
 [2, 1]],      
 [[3, 0],        
 [1, 1]]
], 
"labels": ["Comedy", "Action", "Drama"]
"all_labels": ["Comedy", "Action", "Drama"]
}
```

## Sorties supplémentaires pour les modèles de documents natifs
<a name="train-class-output-native"></a>

Amazon Comprehend peut créer des fichiers de sortie supplémentaires lorsque vous entraînez un modèle de document natif.

### Sortie Amazon Textract
<a name="textract-output"></a>

Si Amazon Comprehend a invoqué les API Amazon Textract pour extraire le texte de l'un des documents de formation, il enregistre les fichiers de sortie Amazon Textract dans l'emplacement de sortie S3. Il utilise la structure de répertoire suivante :
+ **Documents de formation :** 

  `amazon-textract-output/train/<file_name>/<page_num>/textract_output.json` 
+ **Documents de test :** 

  `amazon-textract-output/test/<file_name>/<page_num>/textract_output.json`

Amazon Comprehend remplit le dossier de test si vous avez fourni des documents de test dans la demande d'API.

### Défaillances d'annotation de documents
<a name="failed-files-output"></a>

 Amazon Comprehend crée les fichiers suivants dans l'emplacement de sortie Amazon S3 (dans le dossier **skipped\_documents/**) en cas d'échec des annotations :
+ failed\_annotations\_train.jsonl

  Le fichier existe si des annotations ont échoué dans les données d'entraînement.
+ failed\_annotations\_test.jsonl

  Le fichier existe si la demande incluait des données de test et que les annotations échouaient dans les données de test.

Les fichiers d'annotation ayant échoué sont des fichiers JSONL au format suivant :

```
{
     "File": "String", "Page": Number, "ErrorCode": "...", "ErrorMessage": "..."}
    {"File": "String", "Page": Number, "ErrorCode": "...", "ErrorMessage": "..."
  }
```