Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Mengevaluasi dan meningkatkan adaptor Anda
<a name="textract-evaluating-improving-adapters"></a>

Setelah Anda menyelesaikan proses pelatihan dan membuat adaptor Anda, penting untuk mengevaluasi seberapa baik adaptor mengekstraksi informasi dari dokumen Anda.

**Metrik kinerja**  
 Tiga metrik disediakan di konsol Amazon Textract untuk membantu Anda menganalisis kinerja adaptor Anda: 

1.  Presisi - Presisi mengukur persentase informasi yang diekstraksi (prediksi) yang benar. Semakin tinggi peringkat presisi, semakin sedikit positif palsu yang ada. 

1. Ingat - Ingat mengukur persentase total item yang relevan yang berhasil diidentifikasi dan diekstraksi oleh model. Semakin tinggi nilai recall, semakin sedikit negatif palsu yang ada.

1. Skor F1 - Skor F1 menggabungkan presisi dan penarikan kembali ke dalam satu metrik, memberikan pengukuran yang seimbang untuk akurasi ekstraksi keseluruhan. 

Nilai untuk pengukuran ini berkisar dari 0 hingga 1, dengan 1 ekstraksi sempurna.

Metrik ini dihitung dengan membandingkan ekstraksi adaptor dengan anotasi “kebenaran dasar” pada set pengujian. Dengan menganalisis F1, presisi, dan recall, Anda dapat menentukan di mana adaptor perlu ditingkatkan.

Misalnya, presisi rendah berarti banyak prediksi model adalah positif palsu, oleh karena itu adaptor mengekstraksi data yang tidak relevan. Sebaliknya, nilai recall yang rendah berarti bahwa model tersebut kehilangan data yang relevan. Dengan menggunakan wawasan ini, Anda dapat menyempurnakan data pelatihan dan melatih kembali adaptor untuk meningkatkan kinerja.

Anda juga dapat memeriksa kinerja model Anda dengan mengujinya dengan dokumen dan kueri baru yang Anda tentukan. Gunakan opsi **Coba Adaptor** di konsol untuk mendapatkan prediksi untuk dokumen-dokumen ini. Dengan cara ini, Anda dapat mengevaluasi adaptor dengan kueri dan dokumen pengujian Anda sendiri dan melihat contoh dunia nyata tentang kinerja adaptor. 

Anda juga dapat mengambil metrik untuk versi adaptor dengan menggunakan [GetAdapterVersion](https://docs.aws.amazon.com/textract/latest/APIReference/API_GetAdapterVersion.html)operasi menggunakan SDK atau CLI. Dapatkan daftar adaptor yang ingin Anda ambil metrik dengan menggunakan operasi [ListAdapterVersions](https://docs.aws.amazon.com/textract/latest/APIReference/API_ListAdapterVersions.html)API. Hapus adaptor yang tidak lagi Anda perlukan dengan [DeleteAdapterVersion](https://docs.aws.amazon.com/textract/latest/APIReference/API_DeleteAdapterVersion.html)operasi.

**Meningkatkan model Anda**  
Penerapan adaptor adalah proses berulang, karena Anda mungkin perlu melatih ulang beberapa kali untuk mencapai tingkat akurasi target Anda. Setelah Anda membuat dan melatih adaptor Anda, Anda akan ingin menguji dan mengevaluasi kinerja adaptor Anda pada berbagai metrik dan kueri. 

Jika akurasi adaptor Anda kurang di area mana pun, tambahkan contoh baru dari dokumen tersebut untuk meningkatkan kinerja adaptor untuk kueri tersebut. Cobalah untuk memberikan adaptor dengan contoh tambahan dan beragam yang mencerminkan kasus-kasus di mana ia berjuang. Menyediakan adaptor Anda dengan dokumen yang representatif dan beragam memungkinkannya menangani beragam contoh dunia nyata.

Setelah menambahkan dokumen baru ke set pelatihan Anda, latih kembali adaptor. Kemudian evaluasi ulang pada set pengujian dan kueri Anda. Ulangi proses ini hingga adaptor mencapai tingkat kinerja yang Anda inginkan. Skor presisi, ingatan, dan F1 harus secara bertahap meningkat selama iterasi pelatihan berturut-turut.