Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Valutazione e confronto delle prestazioni dei modelli
<a name="jumpstart-text-classification-evaluate"></a>

Valuta i modelli di classificazione del testo implementati utilizzando il framework di valutazione. Il framework supporta modalità di valutazione supervisionate e non supervisionate grazie a un approccio basato su notebook.

## Utilizzo di set di dati integrati
<a name="w2aac37c15c23b5"></a>

**Consigliamo di utilizzare il set di dati di valutazione supervisionato integrato** per questo tutorial, poiché la maggior parte degli utenti non dispone di dati di valutazione etichettati. I set di dati integrati forniscono un’analisi completa delle prestazioni in diversi scenari:
+ **Set di dati bilanciati**: distribuzione equa delle classi per le prestazioni baseline.
+ **Set di dati disallineati**: classi squilibrate per i test effettivi.
+ **Set di dati complessi**: casi limite per testare la robustezza del modello.

La valutazione genera metriche chiave tra cui i punteggi di accuratezza, precisione, richiamo, punteggio F1, Coefficiente di correlazione di Matthews (MCC) e Area sotto la curva ROC con curve visive per il confronto dei modelli.

## Utilizzo di dati personalizzati
<a name="w2aac37c15c23b7"></a>

Se disponi di un set di dati etichettato, puoi sostituirlo nel notebook. Il framework si adatta automaticamente al formato dei tuoi dati e genera le stesse metriche complete.

**Formati dei dati supportati:**
+ **Formato CSV:** due colonne, `text` e `label`
+ **Formati di etichetta:** “positivo”/“negativo”, “LABEL\$10”/“LABEL\$11”, “True”/“False” o “0”/“1”
+ **Non supervisionato:** colonna `text` singola per l’analisi dell’attendibilità

## Configurazione dell’ambiente di valutazione
<a name="w2aac37c15c23b9"></a>

Crea uno JupyterLab spazio in SageMaker Amazon SageMaker Studio per eseguire il notebook di valutazione.

1. In Studio, scegli **JupyterLab**dalla schermata principale.

1. Se non disponi di uno spazio:

   1. Scegli **Crea spazio**.

   1. Inserisci un nome descrittivo (ad esempio, **TextModelEvaluation)**.

   1. Mantieni il tipo di istanza predefinito.

   1. Scegli **Esegui lo spazio**.

   1. Una volta creato lo spazio, scegli **Apri JupyterLab**.

### Accesso al notebook di valutazione
<a name="w2aac37c15c23b9b7"></a>

Scarica il [file .zip](samples/sagemaker-text-classification-evaluation-2.zip) ed estrailo sul computer locale. Carica l'intera cartella estratta nel tuo JupyterLab spazio per iniziare a testare i tuoi modelli. Il pacchetto contiene il notebook di valutazione principale, i set di dati di esempio, i moduli Python di supporto e istruzioni dettagliate per il framework di valutazione completo.

**Nota**  
Dopo aver estratto il pacchetto, consulta il file README per le istruzioni di configurazione dettagliate e una panoramica del framework.

Passa a [Interpretazione dei risultati](jumpstart-text-classification-interpret.md) per scoprire come analizzare l’output della valutazione e prendere decisioni in merito alla selezione dei modelli basate sui dati.